Künstliche Intelligenz und 3D-Vision für die Fruchtsortierung

Landwirtschaftliche Erzeugnisse können sich in Form und Farbe stark voneinander unterscheiden, was klassische Bildverarbeitungsmethoden vor große Herausforderungen stellt. Ein Beispiel hierfür ist die Erkennung und Sortierung von Früchten.

Um diese Aufgabe zu meistern, hat Basler zusammen mit dem Software-Anbieter Data Spree eine Vision Lösung für die Detektion und Klassifikation von Früchten entwickelt, in der 3D-Daten als Rohmaterial genutzt werden. Durch die räumliche Information beim Anlernen der neuronalen Netze entsteht eine robuste Echtzeitlösung für die Fruchtsortierung.

So funktioniert’s

Das Deep Learning-basierte Vision System besteht aus einer Basler blaze Time-of-Flight Kamera und einem Standard-PC. Die Basler blaze Kamera bietet hochauflösende 3D-Bilder mit annähernd millimetergenauer Präzision. Sie erzeugt nicht nur eine Graustufenaufnahme als Intensitätsbild, sondern nimmt zusätzlich über Laufzeitmessungen von Lichtimpulsen im nahen Infrarotbereich Distanzmessungen für jeden einzelnen Pixel vor. Die resultierende Aufnahme liegt dann als 3D-Punktwolke vor und liefert somit zusätzliche Informationen über die abgebildete Szene. Im Vergleich zu 2D-RGB-Aufnahmen werden die Farbinformationen durch Forminformationen ersetzt, welches nicht nur Vorteile bei der gleichzeitigen Erkennung von roten und grünen Äpfeln hat, sondern zusätzliche Applikationen ermöglicht, wie z.B. das genaue Positionieren und Vermessen der erkannten Objekte.

Entdecken Sie unser 3D-Vision Portfolio

3D-Punktwolkenbild der Früchte

3D-Bildverarbeitung und Künstliche Intelligenz (KI) als starkes Doppel

Die Software macht einen wesentlichen Bestandteil dieser Anwendung aus. Sie besteht aus zwei Hauptkomponenten: dem Basler blaze SDK und der KI-Anwendungssoftware.

Die benutzerfreundliche und plattformunabhängige Programmierschnittstelle der Basler blaze erlaubt die einfache Anbindung der Data Spree Software „Deep Learning DS“. Diese Softwarelösung auf Basis tiefer neuronaler Netze (Deep Learning) ist äußerst anwenderfreundlich und erlaubt die Entwicklung von Deep Learning-Modellen ohne Vorkenntnisse. Mit Hilfe der Anwendungssoftware lassen sich die einzelnen Arbeitsschritte zum Systemaufbau wie Datenakquise, Annotation, Training, Bereitstellung und Anwendung des trainierten Netzes auf der Zielhardware deutlich vereinfachen. Lernen Sie mehr über die einzelnen Arbeitsschritte im Use Case.

Laden Sie jetzt den vollständigen Use Case herunter

Training des neuronalen Netzes

Die Vorteile dieser 3D-Vision Lösung mit Basler blaze auf einen Blick

Basler bietet nicht nur 3D-Vision Hardware, sondern auch Unterstützung bei der Umsetzung dazugehöriger Softwarelösungen. Hier binden wir bei Bedarf auch unser umfangreiches Partnernetzwerk zur Realisierung der Kundenwünsche mit ein.

Benutzerfreundliche plattformunabhängige Programmierschnittstelle (Basler blaze SDK) mit Beispielprogrammen
Einsatz von industriebewährter und langlebiger Kamera-Hardware mit IP67 Schutzklasse
Einfache Hardwareinstallation durch integrierte Beleuchtung und kalibrierte Optik
Genauere und zuverlässigere Erkennung und Klassifikation von Objekten durch Einbindung der räumlichen Information mittels einer 3D-Kamera (Time-of-Flight) in das Anlernen der neuronalen Netze
Geringere Komplexität der Anwendung, da eine komplementäre Sensorik in einer Vielzahl von Applikationen nicht mehr notwendig ist
Genaue Messergebnisse auch bei wenig Licht, bei Tageslicht und ohne Kontrast

Mehr über die Basler blaze Kamera

Haben Sie noch Fragen? Wir helfen gerne.

Haben Sie Fragen zu dieser Lösung, ihrer ganz individuellen Lösung oder unseren Produkten? Wenden Sie sich direkt an unser Sales Team.

Das Sales Team kontaktieren