Tag täglich begegnen wir ihnen, den Seriennummern, Haltbarkeits- oder Herstellungsdaten, Chargennummern und ähnlichen aufgedruckten oder -geprägten Informationen, die Produkte und ihre Verpackungen zieren.Doch oft ist der Aufdruck nur schlecht oder gar nicht mehr leserlich – jedenfalls nicht mehr für automatische Erkennungssysteme. Und genau hier beginnt das Problem…
Während die Aufdrucke für den Verbraucher nach kurzer Zeit an Bedeutung verlieren, ist es für Hersteller und Unternehmer für die Warenverfolgung und Qualitätskontrolle oftmals notwendig, diese Daten wieder zu lesen. Und hier beginnt das Problem: „Bereits vorhandene Schrifterkennungsalgorithmen sind in den meisten Fällen dazu nicht in der Lage, so dass diese Arbeit von einem Menschen verrichtet werden muss“, berichtet Prof. Wolfgang Schneider vom Institut für Angewandte Informatik der Fachhochschule Braunschweig/Wolfenbüttel (FH). Ein von ihm entwickeltes Verfahren soll dies nun dern.
„Zum Teil entstehen die Probleme durch die Eigenschaften der bedruckten Oberfläche, die einen schlechten Kontrast zur aufgedruckten Schrift bietet, und dadurch, dass die Schrift verzerrt oder verschmiert ist“, erklärt Schneider. Verzerrungen treten durch unkontrollierte Bewegungen des zu bedruckenden Objekts auf. Eine verschmierte Schrift entsteht bei Tintenstrahldruckköpfen, wenn Fremdkörper die noch nicht getrocknete Schrift berühren. „Darüber hinaus kommt es häufig vor, dass einzelne Düsen im Druckkopf verstopft sind und nicht mehr arbeiten. Abgesehen von diesen drucktechnischen Problemen, die eine Schriftzeichenerkennung erschweren, ist auch schon eine sauber gedruckte Dot-Matrix-Schrift, wie sie in der Industrie hauptsächlich eingesetzt wird, für normale vektor- oder kantenorientierte OCR-Software nicht lesbar“, erläutert Schneider.
Der Professor für Informatik und sein Mitarbeiter Alexander Stolpmann entwickelten deshalb ein Verfahren, das mit Hilfe von Bildverarbeitung und Soft-Computing Methoden eine möglichst breite Palette verzerrter oder verschmierter maschinengeschriebener Schriftzeichen erkennen kann. Eine Anforderung an das neue System war dabei, dass es leicht an neue Bedingungen angepasst werden kann. Im Rahmen der Entwicklung wurde mit verschiedenen Kameratypen gearbeitet und eine jeweils auf die Sensorart angepasste Objektbeleuchtung gewählt.
„Die richtige Wahl der Bildaufnahmekomponenten trägt entscheidend zu dem erzielbaren Ergebnis bei“, betont Schneider. Für die Schriftzeichenseparation und nachfolgende Erkennung wurden die Prinzipien eines komplexen, modularisierten Klassifikationssystems übernommen. „Das aufgenommene Bild durchläuft Bildaufbereitungsroutinen, die die separierten Schriftzeichen der Klassifizierung zuführen. Für die eigentliche Klassifizierung wird ein neuronales Netz eingesetzt. „Diese Art der Klassifikation erlaubt eine sehr leichte Anpassung an andere Schriftarten oder Bedingungen“, berichtet Diplom-Kaufmann Detlef Puchert, Leiter der Technologietransfer Kontaktstelle der FH.
Neben dem Einsatz bei der Warenverfolgung und Qualitätssicherung im produzierenden Gewerbe lassen sich die von Schneider erarbeiteten Methoden auch auf Anwendungsgebiete übertragen, bei denen Schriftzeichen oder ähnlich geartete Objekte unter ungünstigen Bedingungen erkannt werden müssen. Ein Beispiel hierfür sind Fahrerassistenzsysteme für den Straßenverkehr.
(Fachhochschule Braunschweig/Wolfenbüttel, 14.04.2004 – NPO)
