Home Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
Article
Licensed
Unlicensed Requires Authentication

Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne

  • Erik Sörqvist

    Erik Sörqvist, M.Sc., geb. 1985, erwarb einen Bachelor of Science in Maschinenbau von 2008 bis 2011. Zuzätzlich absolvierte er von 2020 bis 2022 einen Master of Science in Künstlicher Intelligenz. Er war von 2011 bis 2013 als Design Engineer bei Volvo AB tätig. Danach arbeitete er von 2013 bis 2015 als Durability Attribute Leader bei GETRAG Ford Transmission. Von 2016 bis 2017 war er Design Engineer bei Scana SV und von 2018 bis 2019 in der gleichen Position bei Vela Performance GmbH. Seit 2023 ist er Wissenschaftlicher Mitarbeiter an der TU Berlin.

     EMAIL logo     , Oguzhan Kirik

    Oguzhan Kirik, M.Sc., geb. 1992, studierte Maschinenbau an der Technischen Universität Yildiz und am Karlsruher Institut für Technologie. Währenddessen war er als studentische Hilfskraft an mehreren Instituten tätig. Nach seinem Abschluss arbeitete er als Robotiker bei Relimetrics und seit 2022 als Wissenschaftlicher Mitarbeiter am Fachgebiet Industrielle Automatisierungstechnik an der Technischen Universität Berlin.

         , Fabian Dilly

    Fabian Dilly, geb. 1996, hat seinen Bachelor of Science im Fach Maschinenbau abgeschlossen und befindet sich aktuell im Masterstudium Maschinenbau an der Technischen Universität Berlin. Neben seinem Studium konnte er praktische Erfahrungen als Praktikant bei der Bosch Rexroth AG sammeln. Derzeit arbeitet er als studentische Hilfskraft im Forschungsprojekt ProKI am Fachgebiet Industrielle Automatisierungstechnik der TU Berlin.

         and Qing Huang

    Qing Huang, B.Sc, geb. 1997, erwarb seinen Bachelor of Engineering in Fahrzeugtechnik an der Technischen Hochschule Ulm. Derzeit studiert er Computational Engineering Science (M. Sc.) an der Technischen Universität Berlin. Während des Studiums sammelte er berufliche Erfahrungen als Werkstudent bei Siemens Mobility GmbH in Berlin. Aktuell arbeitet er als studentische Hilfskraft im Forschungsprojekt ProKI am Fachgebiet Industrielle Automatisierungstechnik der TU Berlin.
Published/Copyright: November 18, 2024
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 119 Issue 11

Abstract

Bildgestützte Anwendungen zur Videoüberwachung beginnen oft mit der Erkennung bewegter Objekte in Videosequenzen. In diesem Zusammenhang sollen in diesem Beitrag zwei Methoden zur Vorhersage der Position bewegter Frässpäne in Bilddaten miteinander verglichen werden. Die vorgeschlagenen Methoden sind eine neuartige Differenzierungs-Zentroid-Methode und eine auf optischem Fluss basierende Methode. Durch die Identifizierung der neuesten, aus dem Werkzeug fliegenden Späne in einem Haufen zuvor produzierter Späne kann der Echtzeitvorhersage der Produktionsqualität einen Schritt näher gekommen werden.

Abstract

Computer vision-based applications for video monitoring often start with detecting moving objects in an input video stream. In this context, we present two methodologies for predicting moving milling chips position in image data. The methodologies proposed are Moving Object Centroid Prediction that can identify shared subspaces of images captured by moving cameras, allow for subsequent frame difference and moving object centroid prediction through unsupervised machine learning and an Optical Flow based methodology. By differentiating between most recent chips in a pile of previously produced chips can we get one step closer towards real-time prediction of production quality.

Schlüsselwörter: Objekt Tracking; Maschinelles Lernen; CNC-Schneidprozess; Qualitätsüberwachung; Moving Object Detection
Keywords: Object Tracking; Machine Learning; CNC Milling Process; Quality Monitoring; Moving Object Detection

Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).

Tel.: +49 (0) 30 314-28737

Funding statement: Diese Publikation präsentiert Inhalte aus der BMBF-geförderten Initiative „Demonstrations- und Transfernetzwerk KI in der Produktion (ProKI-Netzwerk)“ und KI-kognitionsunterstützendes Assistenzsystem zur Inprozesskontrolle in der Fertigung (KIKA-IPK).

About the authors

Erik Sörqvist

Erik Sörqvist, M.Sc., geb. 1985, erwarb einen Bachelor of Science in Maschinenbau von 2008 bis 2011. Zuzätzlich absolvierte er von 2020 bis 2022 einen Master of Science in Künstlicher Intelligenz. Er war von 2011 bis 2013 als Design Engineer bei Volvo AB tätig. Danach arbeitete er von 2013 bis 2015 als Durability Attribute Leader bei GETRAG Ford Transmission. Von 2016 bis 2017 war er Design Engineer bei Scana SV und von 2018 bis 2019 in der gleichen Position bei Vela Performance GmbH. Seit 2023 ist er Wissenschaftlicher Mitarbeiter an der TU Berlin.

Oguzhan Kirik

Oguzhan Kirik, M.Sc., geb. 1992, studierte Maschinenbau an der Technischen Universität Yildiz und am Karlsruher Institut für Technologie. Währenddessen war er als studentische Hilfskraft an mehreren Instituten tätig. Nach seinem Abschluss arbeitete er als Robotiker bei Relimetrics und seit 2022 als Wissenschaftlicher Mitarbeiter am Fachgebiet Industrielle Automatisierungstechnik an der Technischen Universität Berlin.

Fabian Dilly

Fabian Dilly, geb. 1996, hat seinen Bachelor of Science im Fach Maschinenbau abgeschlossen und befindet sich aktuell im Masterstudium Maschinenbau an der Technischen Universität Berlin. Neben seinem Studium konnte er praktische Erfahrungen als Praktikant bei der Bosch Rexroth AG sammeln. Derzeit arbeitet er als studentische Hilfskraft im Forschungsprojekt ProKI am Fachgebiet Industrielle Automatisierungstechnik der TU Berlin.

Qing Huang

Qing Huang, B.Sc, geb. 1997, erwarb seinen Bachelor of Engineering in Fahrzeugtechnik an der Technischen Hochschule Ulm. Derzeit studiert er Computational Engineering Science (M. Sc.) an der Technischen Universität Berlin. Während des Studiums sammelte er berufliche Erfahrungen als Werkstudent bei Siemens Mobility GmbH in Berlin. Aktuell arbeitet er als studentische Hilfskraft im Forschungsprojekt ProKI am Fachgebiet Industrielle Automatisierungstechnik der TU Berlin.

Literatur

1 You, Z.; Gao, H.; Guo, L.; Liu, Y;. Li, J.: Online Milling Cutter Wear Monitoring in a Wide Field-of-View Camera. Wear 460-461 (2020), S. 203479 10.1016/j.wear.2020.203479Search in Google Scholar

2 Lauro, C. H.; Brãndao, L. C.; Ribeiro Filho, S. L. M.: Monitoring the Temperature of the Milling Process Using Infrared Camera. Scientific Research and Essays 8 (2013) 23, S. 1112–1120 10.5897/SRE12.579Search in Google Scholar

3 Grzenda, M.; Bustillo, A.: The Evolutionary Development of Roughness Prediction Models. Applied Soft Computing 13 (2013) 5, S. 2913–2922 10.1016/j.asoc.2012.03.070Search in Google Scholar

4 Zhao, X.; Wang, G.; He, Z.; Jiang, H.: A Survey of Moving Object Detection Methods: A Practical Perspective. Neurocomputing 503 (2022) 2, S. 28–48 10.1016/j.neucom.2022.06.104Search in Google Scholar

5 Ai, C.; Sun, Y.; He, G.; Ze, X.; Li, W.; Mao, K.: The Milling Tool Wear Monitoring Using the Acoustic Spectrum. The International Journal of Advanced Manufacturing Technolog 61 (2012) 5-8, S. 457–463 10.1007/s00170-011-3738-zSearch in Google Scholar

6 Bhuiyan, M.;Choudhury, I.; Dahari, M.: Monitoring the Tool Wear, Surface Roughness and Chip Formation Occurrences Using Multiple Sensors in Turning. Journal of Manufacturing Systems 33 (2014) 4, S. 476–487 10.1016/j.jmsy.2014.04.005Search in Google Scholar

7 Župerl, U.; Stepien, K.; Munđar, G.;. Kovačič, M.: A Cloud-based System for the Optical Monitoring of Tool Conditions during Milling through the Detection of Chip Surface Size and Identification of Cutting Force Trends. Processes 10 (2022) 4, S. 671 10.3390/pr10040671Search in Google Scholar

8 Hadi, R. A.; George, L. E.; Mohammed, M. J.: A Computationally Economic Novel Approach for Real-Time Moving Multi-Vehicle Detection and Tracking toward Efficient Traffic Surveillance. Arabian Journal for Science and Engineering 42 (2017) 2, S. 817–831 10.1007/s13369-016-2351-8Search in Google Scholar

9 Monteiro, G. L. M. V: Traffic Video Surveillance for Automatic Incident Detection on Highways. Department of Electrical and Computer Engineering, Faculty of Sciences and Technology, University of Coimbra 2008. Online unter https://its.isr.uc.pt/publications/MScThesis-GMonteiro.pdf [Zugriff 07.08.2024]Search in Google Scholar

10 Kushwaha, A. K. S.; Srivastava, R.: A Framework of Moving Object Segmentation in Maritime Surveillance Inside a Dynamic Background. Trans. Comput. Sci. XXV, S. 35–54, 2015 10.1007/978-3-662-47074-9_3Search in Google Scholar

11 Knauer, U.; Himmelsbach, M.; Winkler, F.; Zautke, F.; Bienefeld, K.; Meffert, B.: Application of an Adaptive Background Model for Monitoring Honeybees. In: Proceedings of the 5th IASTED International Conference on Visualization, Imaging, and Image Processing, VIIP 2005. Benidorm, Spain, September 7th – 9th 2005, S. 46–50Search in Google Scholar

12 Spampinato, C.; Chen-Burger, Y.-H.; Nadarajan, G.; Fisher, R. B.: Detecting, Tracking and Counting Fish in Low Quality Unconstrained Underwater Videos. In: VISAPP 2008: Proceedings of the Third International Conference on Computer Vision Theory and Applications, Funchal, Madeira, Portugal, January 22-25, 2008, S. 514–519Search in Google Scholar

13 Jin, X.; Niu, P.; Liu, L.: A GMM-based Segmentation Method for the Detection of Water Surface Floats. IEEE Access 7 (2019), S. 119018–119025 10.1109/ACCESS.2019.2937129Search in Google Scholar

14 Alonso, M.; Brunete, A.; Hernando, M.; Gambao, E.: Background-Subtraction Algorithm Optimization for Home Camera-based Night-Vision Fall Detectors. Ieee Access 7 (2019), S. 152399–152411 10.1109/ACCESS.2019.2948321Search in Google Scholar

15 Tzanidou, G.: Carried Baggage Detection and Recognition in Video Surveillance with Foreground Segmentation. Dissertation, Loughborough University 2014Search in Google Scholar

16 Garcia-Garcia, B.; Bouwmans, T.; Silva, A. J. R.: Background Subtraction in Real Applications: Challenges, Current Models and Future Directions. Computer Science Review 35 (2020), S. 100204 10.1016/j.cosrev.2019.100204Search in Google Scholar

17 Piccardi, M.: Background Subtraction Techniques: A Review. In: 2004 IEEE International Conference on Systems, Man and Cybernetics (IEEE Cat. No.04CH37583). IEEE, The Hague, Netherlands 2004, S. 3099–3104 10.1109/ICSMC.2004.1400815Search in Google Scholar

18 Chapel, M.-N.; Bouwmans, T.: Moving Objects Detection with a Moving Camera: A Comprehensive Review. Computer Science Review 38 (2020), S. 100310 10.48550/arXiv.2001.05238Search in Google Scholar

19 Rublee, E.; Rabaud, V.; Konolige, K.; Bradski, G.: ORB: An Efficient Alternative to SIFT or SURF. In: IEEE International Conference on Computer Vision, ICCV 2011. IEEE, Barcelona, Spain 2011, S. 2564–2571 10.1109/ICCV.2011.6126544Search in Google Scholar

20 Sreedhar, K.; Panlal, B.: Enhancement of Images Using Morphological Transformation. ArXiv Prepr. ArXiv12032514, 2012Search in Google Scholar

21 OpenCV: Morphological Transformations. Online unter https://docs.opencv.org/4.x/d9/d61/tutorial_py_morphological_ops.html [Zugriff 07.08.2024]Search in Google Scholar

22 Bitwise Operators in Python – Real Python. Online unter https://realpython.com/python-bitwise-operators [Zugriff 07.08.2024]Search in Google Scholar

23 Khan, K.; Rehman, S. U.; Aziz, K.; Fong, S.; Sarasvady, S.: DBSCAN: Past, Present and Future. In: presented at the The fifth international conference on the applications of digital information and web technologies (ICADIWT 2014), IEEE, 2014, S. 232–238 10.1109/ICADIWT.2014.6814687Search in Google Scholar

24 Horn, B. K.; Schunck, B. G.: Determining Optical Flow. Artificial Intelligence 17 (1981) 1–3, S. 185–203 10.1016/0004-3702(81)90024-2Search in Google Scholar

25 Lucas, B. D.; Kanade, T.: An Iterative Image Registration Technique with an Application to Stereo Vision. In: Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI 81). University of British Columbia Vancouver, B. C., Canada 1981, S. 674–679Search in Google Scholar

26 Beauchemin, S. S.; Barron, J. L.: The Computation of Optical Flow. ACM Computing Surveys 27 (1995) 3, S. 433–466 10.1145/212094.212141Search in Google Scholar

27 Farnebäck, G.: Two-Frame Motion Estimation Based on Polynomial Expansion. In: 13th Scandinavian Conference on Image Analysis (SCIA 2003). Lecture Notes in Computer Science (Vol. 2749). Springer-Verlag, Berlin, Heidelberg 2003, S. 363–370 10.1007/3-540-45103-X_50Search in Google Scholar

28 Bruhn, A.; Weickert, J.; Schnörr, C.: Lucas/Kanade Meets Horn/Schunck: Combining Local and Global Optic Flow Methods. International Journal of Computer Vision 61 (2005) 3, S. 211–231 10.1023/B:VISI.0000045324.43199.43Search in Google Scholar

29 Kirillov, A.; Mintun, E.; Ravi, N. et al.: Segment Anything. In: Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2023, S. 4015–4026 10.1109/ICCV51070.2023.00371Search in Google Scholar

30 Tao, F.; Zhang, H.; Liu, A.; Nee, A. Y. C.: Digital Twin in Industry: State-of-the-Art. In: IEEE Transactions on Industrial Informatics 15 (2019) 4, pp. 2405–2415 10.1109/TII.2018.2873186.Search in Google Scholar
Published Online: 2024-11-18
Published in Print: 2024-11-20

© 2024 Walter de Gruyter GmbH, Berlin/Boston

Articles in the same Issue

  1. Frontmatter
  2. Editorial
  3. Cloud Manufacturing – Die Potenziale von Digitalen Zwillingen und KI
  4. Wissensmanagement
  5. Konversion von relationalen Datenbanken in Ontologien
  6. DaWiK – Ein KI-gestützter Ansatz für digitales Wissens- und Kompetenzmanagement
  7. Krisenmanagement
  8. Herr der Lage bleiben
  9. Fabrikplanung
  10. Umzugsplanung mit Fabrikdatenmodellen und Virtual Reality
  11. Analyse von Systemelementen und derer Ausprägungsformen zum modellhaften Nachbilden von Produktionssystemen
  12. Prozessoptimierung
  13. Thermische Modellbildung des schweißtechnischen Vorwärmens von Offshore-Stahlbaustrukturen
  14. Komplexitätsmanagement
  15. Bewertung der Komplexität von Konstruktionsaufgaben
  16. Shopfloor Management
  17. Zielführendes Verhalten auf dem Shopfloor
  18. Qualitätskontrolle
  19. Überwachung von Prozesskurven
  20. Corporate Governance
  21. MITO-Modell-bezogene ganzheitliche Corporate-Governance-Systemimplementierung
  22. Additive Fertigung
  23. Hochqualitatives Recycling von Titanspänen für die additive Fertigung
  24. Künstliche Intelligenz
  25. Generative KI zur No-/Low-Code-Wissensverarbeitung
  26. KI-gestützte Demontage von Elektrofahrzeugbatterien
  27. Maschinelles Lernen
  28. Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
  29. Digitaler Zwilling
  30. Digitaler Zwilling zur reaktiven Demontageplanung
  31. Vorschau
  32. Vorschau
https://doi.org/10.1515/zwf-2024-1130
Keywords for this article
Object Tracking; Machine Learning; CNC Milling Process; Quality Monitoring; Moving Object Detection

Articles in the same Issue

  1. Frontmatter
  2. Editorial
  3. Cloud Manufacturing – Die Potenziale von Digitalen Zwillingen und KI
  4. Wissensmanagement
  5. Konversion von relationalen Datenbanken in Ontologien
  6. DaWiK – Ein KI-gestützter Ansatz für digitales Wissens- und Kompetenzmanagement
  7. Krisenmanagement
  8. Herr der Lage bleiben
  9. Fabrikplanung
  10. Umzugsplanung mit Fabrikdatenmodellen und Virtual Reality
  11. Analyse von Systemelementen und derer Ausprägungsformen zum modellhaften Nachbilden von Produktionssystemen
  12. Prozessoptimierung
  13. Thermische Modellbildung des schweißtechnischen Vorwärmens von Offshore-Stahlbaustrukturen
  14. Komplexitätsmanagement
  15. Bewertung der Komplexität von Konstruktionsaufgaben
  16. Shopfloor Management
  17. Zielführendes Verhalten auf dem Shopfloor
  18. Qualitätskontrolle
  19. Überwachung von Prozesskurven
  20. Corporate Governance
  21. MITO-Modell-bezogene ganzheitliche Corporate-Governance-Systemimplementierung
  22. Additive Fertigung
  23. Hochqualitatives Recycling von Titanspänen für die additive Fertigung
  24. Künstliche Intelligenz
  25. Generative KI zur No-/Low-Code-Wissensverarbeitung
  26. KI-gestützte Demontage von Elektrofahrzeugbatterien
  27. Maschinelles Lernen
  28. Bildverarbeitungsmethoden zur Prozessbewertung am Beispiel fliegender Späne
  29. Digitaler Zwilling
  30. Digitaler Zwilling zur reaktiven Demontageplanung
  31. Vorschau
  32. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 8.9.2025 from https://www.degruyterbrill.com/document/doi/10.1515/zwf-2024-1130/pdf
Scroll to top button