La lumière fait l'image : l'éclairage en traitement d'images industriel

Traitement d'images

Un système de contrôle fonctionne parfaitement pendant les essais. Sur la ligne, il signale soudain des défauts que personne ne voit – plus souvent l'après-midi que le matin. L'algorithme n'y est pour rien, c'est la lumière qui a changé. En traitement d'images, l'éclairage décide de ce qui figure tout simplement dans l'image. Aucun filtre ne récupère après coup ce que la caméra n'a jamais vu.

La lumière est un outil, pas un accessoire

En studio, un photographe ne s'interroge pas d'abord sur la caméra, mais sur l'emplacement de la lumière. En traitement d'images, c'est pareil. Le guide de National Instruments cite quatre leviers : la géométrie, c'est-à-dire la disposition de la pièce, de la lumière et de la caméra ; la structure, c'est-à-dire la forme de la lumière sur la pièce ; la longueur d'onde, c'est-à-dire la couleur ; et les filtres, qui bloquent certaines longueurs d'onde ou directions de lumière. Qui règle ces quatre leviers de façon ciblée a besoin de moins d'algorithmes par la suite.

Géométrie : fond clair ou fond noir

Ce qui compte, c'est la direction dans laquelle une surface lisse réfléchit la lumière. Si la réflexion arrive dans la caméra, la surface est claire et toute perturbation apparaît sombre : fond clair. Si la lumière arrive à plat par le côté, la surface lisse la réfléchit à côté de la caméra et reste sombre. Seuls les arêtes, rayures et gravures diffusent de la lumière dans l'objectif et s'illuminent : fond noir. Il en découle les principales formes d'éclairage :

Deux détails font souvent la différence. Le rétroéclairage diffus produit un effet de bord sur les pièces rondes brillantes comme les arbres ou les vis, que la lumière télécentrique dirigée évite en grande partie. Et une coupole n'est efficace que si elle est placée près de la pièce.

Longueur d'onde : couleur contre couleur

Une règle simple mène loin : une lumière de la couleur d'une surface la fait paraître claire, une lumière de la couleur complémentaire la fait paraître sombre. Une inscription rouge sur un carton blanc disparaît presque sous une lumière rouge. Sous une lumière verte ou bleue, elle devient sombre et bien contrastée. C'est pourquoi une caméra monochrome avec une lumière colorée est souvent un meilleur choix qu'une caméra couleur avec une lumière blanche.

Il existe aussi des outils au-delà du visible. La lumière infrarouge compense les différences de couleur, par exemple lorsqu'une impression changeante perturbe le contrôle de forme, et pénètre plus profondément dans certaines matières plastiques. La lumière bleue pénètre moins profondément et convient aux caractéristiques situées directement en surface. La lumière ultraviolette excite la fluorescence.

Filtres et lumière parasite

Contre l'éclairage de l'atelier et le soleil, il existe trois moyens : des flashs courts et puissants qui dominent la lumière ambiante et figent au passage les mouvements ; un capotage ; et des filtres. Un filtre passe-bande qui ne laisse passer que la longueur d'onde de ses propres LED élimine une grande partie de la lumière parasite. Des filtres polarisants, montés par paires sur la lumière et la caméra, atténuent la brillance. Mais ils absorbent beaucoup de lumière, et une exposition plus longue réintroduit le flou de mouvement.

Comparer objectivement les éclairages

« C'est plus joli » n'est pas un critère. Photographiez les mêmes pièces sous chaque éclairage et mesurez dans quelle mesure la caractéristique se détache du fond et quelle part de l'image est saturée :

import cv2

import numpy as np



def bewerte(datei, merkmal, hintergrund):

    """Zones d'image, chacune sous la forme (x, y, largeur, hauteur)"""

    bild = cv2.imread(datei, cv2.IMREAD_GRAYSCALE)



    def werte(ausschnitt):

        x, y, b, h = ausschnitt

        return bild[y:y + h, x:x + b].astype(np.float64)



    m, g = werte(merkmal), werte(hintergrund)

    # Écart des moyennes rapporté à la dispersion : plus il est grand, plus c'est robuste

    trennmass = abs(m.mean() - g.mean()) / (m.std() + g.std() + 1e-6)

    uebersteuert = np.mean(bild >= 255) * 100

    return trennmass, uebersteuert



for datei in ["ringlicht.png", "dunkelfeld.png", "kuppel.png"]:

    t, u = bewerte(datei, merkmal=(410, 220, 40, 40), hintergrund=(470, 220, 40, 40))

    print(f"{datei}: Trennmaß {t:.1f}, übersteuert {u:.2f} %")

Un indice de séparation élevé signifie que la caractéristique se détache de façon sûre même lorsque l'image est bruitée. Les pixels saturés ne portent plus aucune information. Évaluez plusieurs pièces et plusieurs prises de vue, y compris des pièces limites, et choisissez l'éclairage dont la plus mauvaise valeur est la meilleure – pas celui qui donne la plus belle image isolée.

Retour d'expérience

Dans des appareils de laboratoire comme l'appareil de lecture pour la PCR numérique du projet collaboratif FREEDOM, notre logiciel pilote lui-même la caméra et les LED. La lumière devient ainsi partie intégrante du logiciel : éclairage et exposition sont commandés ensemble, et le réglage de la lumière fait partie de la prise de vue au même titre que le temps d'exposition.

Erreurs typiques

• Lumière blanche avec caméra couleur, là où une lumière colorée avec caméra monochrome apporterait plus de contraste.
• Monter la coupole à distance. Les coupoles diffuses ne sont efficaces que près de la pièce.
• Installer des filtres polarisants par précaution, puis lutter contre l'obscurité avec une longue exposition.
• Accepter des images saturées. Là où les pixels sont en butée, l'information est perdue.
• Considérer la luminosité comme constante. Le vieillissement, la chaleur et l'encrassement la modifient. Une pièce de référence ou une prise de vue de contrôle régulière révèle la dérive.
• Oublier la protection des yeux. Une forte lumière UV et les lasers nécessitent un blindage.

Sources : National Instruments, « A Practical Guide to Machine Vision Lighting » ; Opto Engineering, « Illumination geometries and techniques » ; étude de cas « Logiciel pour un appareil de lecture de PCR numérique » (projet collaboratif FREEDOM financé par le BMBF), études de cas Cadida.