Η σύγχρονη τάση επιβάλει στα ρομπότ να μπορούν πιο εύκολα να προσαρμοστούν στο περιβάλλον. Οι λόγοι που επιβάλλουν κάτι τέτοιο είναι κυρίως λόγοι οικονομίας χρήματος και χρόνου. Για να είναι δυνατόν να μπορεί να προσαρμοστεί το βέλτιστο τρόπο θα πρέπει να μπορεί να λαμβάνει σαν είσοδο πληροφορία από αυτό. Διάφορα είδη αισθητηρίων χρησιμοποιούνται για αυτό το σκοπό. Για τη παρούσα διπλωματική εργασία αναπτύχθηκε ένα σύστημα στερεοσκοπικής όρασης. Η λογική για ένα τέτοιο σύστημα είναι να λειτουργεί σαν τα μάτια του ρομπότ, δηλαδή να εντοπίζει με αυτοματοποιημένο τρόπο τα σημεία στα οποία θα πρέπει να μεταβεί το ρομπότ για να ολοκληρώσει την εκάστοτε εργασία (πιάσιμο αντικειμένου, συγκόλληση κλπ). Πειράματα αναπτύχθηκαν γύρω από το αντικείμενο αυτό, με σκοπό τη συλλογή μετρήσεων διαφόρων σημείων με χρήση κάμερας (3D), προκειμένου να οδηγηθεί το ρομπότ σε αυτά μέσω των σημείων που αναγνώριζε ο αλγόριθμος επεξεργασίας εικόνας. Η υποστήριξη των πειραμάτων αυτών έγινε από το σχεδιασμό και τον προγραμματισμό ενός συστήματος στερεοσκοπικής όρασης για την οδήγηση του ρομπότ στην ολοκλήρωση συγκολλήσεων των εκάστοτε σημείων. / The current trend in robotics concerns the easy adaption in the environment. The reasons for requiring this are mainly economic reasons and time effective processes. In order to help the robot to be adjusted optimally, the second should be able to take as input information from it. Various kinds of sensors are used for this purpose. A stereo vision system was developed in this thesis. The rationale for such a system is to act as the eyes of the robot, e.g. to identify an automated way in which the robot should make motion planning in order to completer to each task (grasping the object, welding etc.). Experiments were developed around the object, in order to collect measurements using different camera points (3D), in order to guide the robot through these points that recognized the image processing algorithm. The supporting of these experiments were the design and planning of a stereo vision system for driving the welding robot in completing the respective points

Η ανάπτυξη ενός ενσωματωμένου στο όχημα συστήματος υποβοήθησης του οδηγού για αποφυγή συγκρούσεων με άλλα οχήματα, βρίσκεται τελευταία στο επίκεντρο του ενδιαφέροντος. Στα συστήματα αυτά η αξιοπιστία αποτελεί ένα πολύ σημαντικό παράγοντα. Στην παρούσα εργασία αναπτύσσεται ένα σύστημα αναγνώρισης προπορευόμενου οχήματος βασισμένο σε εικόνες οι οποίες λαμβάνονται από βιντεοκάμερα που έχει ενσωματωθεί στο όχημα. Η μεθοδολογία την οποία επιλέξαμε να εργαστούμε περιλαμβάνει τον εντοπισμό των κόκκινων εικονοστοιχείων στην εικόνα και τη δημιουργία της αντίστοιχης δυαδικής εικόνας. Στη συνέχεια, με μορφολογική επεξεργασία της δυαδικής εικόνας εντοπίζουμε τις περιοχές που αντιστοιχούν στα πιθανά φανάρια του οχήματος. Με βάση τα σημεία των πιθανών φαναριών καθορίζουμε την περιοχή στην οποία περικλείεται το όχημα. Για την επιβεβαίωση της ύπαρξης οχήματος στην περιοχή αυτή, εκτελούμε έναν έλεγχο συμμετρίας βασιζόμενοι στην ομοιότητα των υποεικόνων και συνεχίζουμε με τον προσεγγιστικό υπολογισμό της απόστασής του. Τέλος, παρουσιάζουμε τα αποτελέσματα της μεθόδου, τα συμπεράσματα που προέκυψαν και προτείνουμε κατευθύνσεις για μελλοντικές βελτιώσεις. / Developing on-board automotive driver assistance systems aiming to alert drivers about possible collision with other vehicles has attracted a lot of attention lately. In these systems, robust and reliable vehicle detection is a critical step. In this work a vehicle detection system is developed based on video frames grabbed by a camera mounted on the vehicle. Vehicle detection is mainly based on the detection of its red rear-lights. First we detect all red pixels of the frame and create the corresponding binary image (mask). Then we detect the areas that possibly constitute vehicle’s rear-lights by performing morphological binary image processing. Based on that, we determine the boundary of the vehicle. To verify the presence of the vehicle in this area, we perform a symmetry test based on sub-image similarity. Finally, we present some experimental results and give directions for future improvements.

Στα πλαίσια της διατριβής μελετήθηκε αρχικά το πρόβλημα της εύρεσης της θέσης του υφάσματος επάνω στην τράπεζα εργασίας με μεθόδους ψηφιακής ανάλυσης σημάτων βίντεο, παρουσία φαινομένων παραμόρφωσης και μερικής επικάλυψης του υφάσματος. Οι νέες μέθοδοι εντοπισμού που αναπτύχθηκαν αξιολογήθηκαν πειραματικά παρουσιάζοντας ικανοποιητική ακρίβεια εντοπισμού και ανοχή του συστήματος σε μερικές επικαλύψεις και παραμορφώσεις. Μετά την ολοκλήρωση της ραφής του υφάσματος πραγματοποιείται αυτόματος εντοπισμός της θέσης της ραφής από ψηφιακές φωτογραφίες. Αναπτύχθηκαν τρείς πρωτότυπες μέθοδοι εντοπισμού της θέσης της ραφής οι οποίες διαφοροποιούνται στο στάδιο της προεπεξεργασίας. Η πειραματική αξιολόγηση γίνεται σε βάση δεδομένων που περιέχει 118 εικόνες έτοιμων ενδυμάτων. Προτού πραγματοποιηθεί ποιοτικός έλεγχος ραφής, οι εικόνες κανονικοποιούνται ως προς τη θέση και τον προσανατολισμό της ραφής χρησιμοποιώντας τις παραπάνω μεθόδους αυτόματου εντοπισμού της θέσης της ραφής. Αναπτύχθηκαν και αξιολογήθηκαν τρείς διαφορετικές μέθοδοι αυτόματης αναγνώρισης της ποιότητας σε δείγματα ραφής οι οποίες εξάγουν τρία διαφορετικά σύνολα χαρακτηριστικών. Η πρώτη μέθοδος βασίζεται σε φασματικά χαρακτηριστικά, η δεύτερη στην επιβολή αυτό-σκίασης, ενώ η τρίτη βασίζεται στην εκτίμηση της ανομοιομορφίας της επιφάνειας των δειγμάτων ραφής. Η πειραματική αξιολόγηση γίνεται σε βάση δεδομένων δειγμάτων ραφής που περιλαμβάνει 325 ραφές. Η εκτίμηση της ποιότητας ραφής πραγματοποιείται με ταξινόμηση σε πέντε διατεταγμένους βαθμούς ποιότητας. Σε αυτήν την κατεύθυνση, προτείνονται και συγκρίνονται τέσσερις μέθοδοι αναγνώρισης προτύπων διατεταγμένων κατηγοριών. Η πρώτη μέθοδος χρησιμοποιεί για την ταξινόμηση μοντέλο σύμμετρων αναλογιών πιθανότητας. Η δεύτερη μέθοδος κάνει αναγνώριση με χρήση γραμμικού μοντέλου. Οι άλλες δύο μέθοδοι είναι πρωτότυπες και επίσης χρησιμοποιούν γραμμικό μοντέλο για την ταξινόμηση. Η διαφοροποίησή τους από τη δεύτερη μέθοδο είναι ότι η επιλογή των αριθμητικών τιμών των διατεταγμένων κατηγορίων δεν γίνεται αυθαίρετα., αλλά προκύπτει ως λύση προβλημάτων ελαχιστοποίησης.. Η πειραματική αξιολόγηση και σύγκριση των μεθόδων στο πρόβλημα του ποιοτικού ελέγχου ραφών οδηγεί στην επιλογή του μοντέλου σύμμετρων αναλογιών πιθανότητας σε περίπτωση που υπάρχει ικανός αριθμός παραδειγμάτων εκπαίδευσης, ενώ σε αντίθετη περίπτωση μπορεί να προτιμηθεί το γραμμικό μοντέλο αφού προηγηθεί βελτιστοποίηση με χρήση κάποιας εκ των δύο προτεινόμενων μεθόδων επιλογής αριθμητικών τιμών. / One of the problems studied in the present dissertation is that of the detection of the fabrics’ position on the working area. The proposed detection methods are based on image processing and analysis techniques and take into consideration both partial occlusion and fabric deformation. The methods have been experimentally evaluated and the results indicate sufficient detection accuracy and robustness regarding partial occlusion and fabric deformation. After sewing the fabric, the position and orientation of the seam is automatically detected. Three novel seam detection methods have been developed using different pre-processing techniques. The experimental evaluation of the three detection methods is made on a database containing 118 images of ready sewn garments. Before performing seam quality control the seam images are normalized with respect to the seam position and orientation, using the aforementioned seam detection methods. Feature selection has been studied next, extracting three different sets of features and assessing seam quality using three different methods. The first method uses spectral features; the second method is based on the detection of self-shadows onto the seam specimens, while the third method is based on the estimation of the surface roughness of the specimens. The experimental evaluation of the proposed methods is made on a database containing 325 images of seam specimens. Seam quality control is performed by classifying the seam specimens into five ordinal grades of quality. In this direction, four classification methods are proposed and evaluated, taking into account the ordered arrangement of the classes. The first method uses the proportional odds model; while the second method uses a linear model. The other two methods are novel and also employ a linear model. The difference between these two methods and the second method is that the numerical values they are assigning to the ordered categories are not arbitrary like in the case of the second method. The experimental evaluation of these four methods indicates that in case of a large number of training data, the first method which is based on the proportional odds model is more efficient, while in case of an insufficient number of training data the linear model optimized by one of the two novel methods should be selected.