UNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO MARYLUZ LOZANO NASNER EDUAR BAYONA IBAÑEZ

Transcripción

1 UNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO AUTORES MARYLUZ LOZANO NASNER EDUAR BAYONA IBAÑEZ FACULTAD INGENIERÍAS. PLAN DE ESTUDIOS. INGENIERÍA DE SISTEMAS. DIRECTOR MERY YANETH SARMIENTO TÍTULO DE LA TESIS SISTEMA PARA LA CLASIFICACIÓN DE OBJETOS EN UN. PROCESO INDUSTRIAL UTILIZANDO TÉCNICAS DE VISIÓN ARTIFICIAL. RESUMEN La industria y el mundo moderno exigen que toda empresa del sector industrial establezca métodos y técnicas de automatización para mejorar la calidad en la inspección de sus productos evitando ambientes peligrosos, errores debido al juicio del operador, cansancio y falta de atención, así mismo eliminar trabajos monótonos y agilizar las tareas de revisión manual que resultan cuellos de botella en la producción. Teniendo en cuenta lo anterior se desarrolló un Sistema para la Clasificación de CARACTERISTICAS Objetos en un Proceso Industrial como resultado de una Investigación Exploratoria en el Área de Visión Artificial, el cual está compuesto de un prototipo físico y un Software de Visión Artificial basado en Técnicas de Procesamiento de Imágenes y Reconocimiento de Patrones. PAGINAS 195 PLANOS ILUSTRACIONES CD ROM 1.

2 SISTEMA PARA LA CLASIFICACIÓN DE OBJETOS EN UN PROCESO INDUSTRIAL UTILIZANDO TÉCNICAS DE VISIÓN ARTIFICIAL MARYLUZ LOZANO NASNER EDUAR BAYONA IBAÑEZ UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERÍAS PLAN DE ESTUDIOS DE INGENIERÍA DE SISTEMAS SAN JOSÉ DE CÚCUTA 2003

3 SISTEMA PARA LA CLASIFICACIÓN DE OBJETOS EN UN PROCESO INDUSTRIAL UTILIZANDO TÉCNICAS DE VISIÓN ARTIFICIAL MARYLUZ LOZANO NASNER EDUAR BAYONA IBAÑEZ Proyecto de Grado presentado como requisito para optar al título de Ingeniero de Sistemas Director MERY YANETH SARMIENTO S. Ingeniero de Sistemas UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERÍAS PLAN DE ESTUDIOS DE INGENIERÍA DE SISTEMAS SAN JOSÉ DE CÚCUTA 2003

4

5 Le dedico este triunfo a DIOS, por ser mi guía y por darme las fuerzas necesarias para culminar con éxito esta etapa de mi vida. A mi Padre JOSÉ LOZANO por haber sido ese ser maravilloso y especial, quien con su formación y enseñanzas me dio las bases para escoger este camino y con ello alcanzar la meta de convertirme en una profesional. A mi madre MARIA MELIDA NASNER, por su abnegación, constante apoyo y motivación aun en los momentos difíciles. A mis Hermanos por su comprensión y por impulsarme a luchar en pro de mis sueños. A mi tía Carmen Lucía Lozano, por su valiosa ayuda y motivación. A mi novio por ser esa persona que estuvo allí a mi lado apoyándome en cada momento y brindándome el ánimo necesario para llevar a feliz término mi carrera universitaria. A todas las demás personas que creyeron en mí. Maryluz

6 A DIOS, por ser mi inspiración y mi fortaleza. A mi Madre por apoyarme siempre y depositar en todo momento su confianza en mi. A mi Hermano por brindarme su cariño, respaldo y ánimos para surcar este camino. A la Memoria de mi Abuela. Eduar

7 AGRADECIMIENTOS Los autores expresan agradecimientos a: Mery Yaneth Sarmiento Saavedra, Directora del Proyecto por su colaboración y dedicación en la realización de este trabajo de grado. Armando Becerra, Ingeniero Electrónico por su asesoría técnica. Julio Cesar Quintero Villamizar, Mary Martínez de Quintero y familia, por su amistad, apoyo y colaboración. Talcira Pérez y familia, por sus valiosos consejos, ayuda, y motivación durante este largo proceso.

8 CONTENIDO Págs. INTRODUCCIÓN TITULO PROBLEMA PLANTEAMIENTO DEL PROBLEMA JUSTIFICACIÓN ALCANCES Y LIMITACIONES ALCANCES LIMITACIONES OBJETIVOS OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS MARCO REFERENCIAL ANTECEDENTES 23

9 6.1.1 Visión computacional Inspección Visual BASES TEÓRICAS Luz Visión Humana Visión Artificial DISEÑO METODOLÓGICO TIPO DE INVESTIGACIÓN ANÁLISIS DEL SISTEMA ANÁLISIS DE REQUERIMIENTOS DESCRIPCIÓN DEL SISTEMA PROCESAMIENTO DE LA INFORMACIÓN DEFINICIÓN DE CLASES DISEÑO DEL SISTEMA FUNCIONALIDAD FIABILIDAD Y CONFIABILIDAD ARQUITECTURA GLOBAL 90

10 9.3.1 Arquitectura de los subsistemas DIAGRAMA DE CLASES DISEÑO DE LA INTERFAZ GRÁFICA DESARROLLO DE LOS SUBSISTEMAS Captación Preprocesamiento Segmentación Descripción Reconocimiento Entorno IMPLEMENTACIÓN DEL DISEÑO DESCRIPCIÓN DEL EQUIPO UTILIZADO Computador Cámara Brazo Robot Banda Transportadora Luces 118

11 10.2 DESCRIPCIÓN DEL USO DE LAS TÉCNICAS DE VISIÓN ARTIFICIAL SELECCIONADAS Detección y digitalización Análisis y procesamiento de la imagen HERRAMIENTA DE PROGRAMACIÓN PRUEBAS Y RESULTADOS PRUEBA PARA LA DETECCIÓN DE BORDES PRUEBA PARA EL CÓDIGO DE CADENA PRUEBA DE OPERATIVIDAD DEL SISTEMA DE PROTOTIPO INDUSTRIAL CONCLUSIONES RECOMENDACIONES 141 BIBLIOGRAFÍA 142 ANEXOS 143

12 LISTA DE FIGURAS Págs. Figura 1. Naturaleza ondulatoria de la luz 29 Figura 2. Intensidad de luz. 30 Figura 3. Relación de la radiometría y la fotometría. 31 Figura 4. Diversas propiedades de los materiales: (a) especulares, (b) difusos, (c) reflectores, (d) transparentes, (e) translúcidos 34 Figura 5. Suma de colores primarios 36 Figura 6. Colores secundarios 37 Figura 7. Estructura física del ojo humano. 38 Figura 8. Densidad de conos y bastones 39 Figura 9. Componentes primordiales de sistemas de visión humano y computacional. 39 Figura 10. (a) Imagen original, (b) proyección vertical 41 Figura 11. Situación de la visión Artificial 43 Figura 12. Componentes de un sistema de visión 44 Figura 13. División de imágenes por computador. 45 Figura 14. Representación de los ejes de una imagen digital 48 Figura 15. Representación del espacio y los ejes de una imagen digital 48 Figura 16. Digitalizando una imagen 49 Figura 17. Imagen digital 49 Figura vecindad en cruz de un píxel 52 Figura vecindad en equis de un píxel 52

13 Figura 20. Espacio de color RGB 55 Figura 21. Espacio de color HSI 57 Figura 22. Técnicas de iluminación 63 Figura 23. Esquema de las partes de una cámara de video 64 Figura 24. Imagen de un sensor CCD 64 Figura 25. Señal de salida de una cámara de video 66 Figura 26. Estructura general de una tarjeta digitalizadora 68 Figura 27. Procesamiento de imágenes 69 Figura 28. Una vecindad 3 x 3 alrededor de un punto (x,y) en una imagen. 71 Figura 29. Una máscara para detectar puntos aislados diferentes de un fondo constante. 72 Figura 30. Una máscara 3 x 3 general que muestra los coeficientes y las posiciones de los elementos de imagen correspondientes 72 Figura 31. Esquema del proceso de segmentación 73 Figura 32. Entrada y salida del sistema global 84 Figura 33. Sistema de clasificación de objetos 85 Figura 34. Estados para obtener una pieza clasificada 91 Figura 35. Esquema de los subsistemas 97 Figura 36. Diagrama de clases 98 Figura 37. Diseño pantalla principal 99 Figura 38. Llamadas ofrecidas por el subsistema captación 100 Figura 39. Llamadas ofrecidas por el subsistema preprocesamiento 103 Figura 40. Llamadas ofrecidas por el subsistema segmentación 105 Figura 41. Llamadas ofrecidas por el subsistema descripción 107 Figura 42. Llamadas ofrecidas por el subsistema Reconocimiento. 110 Figura 43. Llamadas ofrecidas por el subsistema entorno 112

14 Figura 44. Cámara webcam 116 Figura 45. Brazo robot empleado 116 Figura 46. Banda transportadora empleada 117 Figura 47. Motor paso a paso 117 Figura 48. Montaje del Hardware del Sistema 118 Figura 49. a) Vista superior de dos planos de luz que se interceptan en una línea de luz. b) el objeto se verá por la cámara solamente cuando interrumpa ambos planos de luz. 119 Figura 50. Mascaras para calcular el gradiente 123 Figura 51. Códigos de dirección 125 Figura 52. Pasos para obtener el código de cadena. 126 Figura 53. Imágenes de entrada para las pruebas: a) línea de producción tejas, b) línea de producción ladrillos, c) línea de producción arandelas 130 Figura 54. Prueba operador sobel. 133 Figura 55. Modelo de prueba 1: a) imagen original, b) imagen rotada 180 grados 134 Figura 56. Modelo de prueba Figura 57. Modelo de prueba 2 rotado 180 grados 135 Figura 58. Imagen patrón 137 Figura 59. Imágenes a reconocer 137 Figura 60. Reconocimiento pieza figura 59a. 137 Figura 61. Reconocimiento pieza figura 59b. 138 Figura 62. Reconocimiento pieza figura 59c. 138 Figura 63. Entorno y posicionamiento de los elementos. 148 Figura 64. Imagen y su histograma donde se puede observar la gran cantidad de puntos oscuros 155 Figura 65. Detección de bordes 161

15 LISTA DE CUADROS Págs. Cuadro 1. Ventajas y desventajas de las principales fuentes de luz. 33 Cuadro 2. Formatos de señales de video análogo estándar 67 Cuadro 3. Estructura de descriptores de características 77

16 LISTA DE ANEXOS Págs. Anexo A. Principales estudios realizados en la etapa de adquisición 144 Anexo B. Principales estudios realizados en la etapa de preprocesado 151 Anexo C. Principales estudios realizados en la etapa de segmentación 156 Anexo D. Principales estudios realizados en la etapa de descripción 168 Anexo E. Principales estudios realizados en la etapa de reconocimiento 177 Anexo F. Construcción de la banda transportadora 181 Anexo G. Construcción del circuito de control de la banda transportadora 182 Anexo H. Mejoras en el diseño del brazo robot 183 Anexo I. Manual de Usuario 184 Anexo J. Material complementario para propósitos pedagógicos 193

17 INTRODUCCIÓN En la industria se emplean cada vez más los robots, y la visión artificial es uno de los sentidos claves para producir robots más flexibles y que puedan reaccionar ante situaciones cambiantes. La visión artificial es como el sentido de la vista del computador y brinda la oportunidad de automatizar y mejorar muchos procesos en la industria, en la medicina e inclusive algunas de sus técnicas se emplean en la integración de video en las redes de cómputo y en la transmisión de imágenes para su almacenamiento y despliegue en todo Internet. Estas grandes aplicaciones de la visión artificial hacen que resulte interesante proponer un proyecto de un sistema para la clasificación de objetos el cual estará compuesto de un prototipo y un software de visión artificial basado en técnicas de reconocimiento y tratamiento de imágenes, con la finalidad de solucionar algunos problemas que se presentan en la industria. Con ello se busca mejorar la calidad de inspección de los productos evitando ambientes peligrosos, eliminar trabajos monótonos y agilizar las tareas de revisión manual que resultan cuellos de botella en la producción, además evitar errores debido al juicio del operador, cansancio y falta de atención. De igual manera se debe reconocer que los procesos investigativos que adelanta el grupo de investigación en Inteligencia Artificial y el semillero SIA de la Universidad Francisco de Paula Santander están logrando que el estudiante despierte mayor interés por aplicar técnicas que le permitan desarrollar sistemas inteligentes y de apoyo a la tecnología. Para estos procesos investigativos será de gran ayuda elaborar un modelo que simule el control de un proceso industrial el cual puede ser usado como herramienta pedagógica en la Universidad. Cabe resaltar que el presente proyecto se encuentra enmarcado dentro de un macroproyecto llamado: Creación de una celda industrial aplicando técnicas de visión y reconocimiento de patrones, cuyas etapas son: Creación de un prototipo de celda industrial, Sistema de aplicación de técnicas de tratamiento de imagen y reconocimiento de patrones, Sistema de control de calidad aplicado al prototipo de celda industrial, Diseño de la celda industrial a escala real con una aplicación específica; para el cual el presente proyecto abarcará las tres primeras etapas. 17

18 1. TITULO SISTEMA PARA LA CLASIFICACIÓN DE OBJETOS EN UN PROCESO INDUSTRIAL UTILIZANDO TÉCNICAS DE VISIÓN ARTIFICIAL. 18

19 2. PROBLEMA 2.1 PLANTEAMIENTO DEL PROBLEMA Los procesos industriales requieren automatización para lograr mayor rendimiento y obtener productos acabados de una calidad uniforme. La necesidad de optimizar tareas es cada vez más presionante y esto ha llevado a un interés creciente en el uso de robots capaces de efectuar gran variedad de funciones de fabricación. Un brazo robot industrial está fijado al suelo contiguamente a la línea de montaje, puede tomar piezas con un succionador, o un imán. El brazo robot en su conjunto puede girar, bascular e inclinarse en esta base accionado por energía eléctrica o hidráulica. Este sistema es de gran aplicabilidad y además resulta ser ventajoso comparado con un proceso automatizado pues a diferencia de éste solamente es necesario reprogramar los robots, usando la misma línea de producción. Actualmente parte de la industria realiza los procesos bajo este esquema, pero estas máquinas no son totalmente eficientes, porque no son capaces de ver, es decir capturar una imagen para poder clasificar objetos de acuerdo a ciertos patrones predefinidos. Así mismo es imposible identificar elementos defectuosos y rechazarlos asumiendo la tarea de control de calidad que aún efectúan los operadores humanos. Por otra parte, en la universidad se carece de herramientas pedagógicas que apoyen la investigación en el área de visión artificial con aplicaciones en el campo industrial. 19

20 3. JUSTIFICACIÓN En los últimos años ha surgido la necesidad de usar la automatización en el campo de la industria con el fin de mejorar el rendimiento de los procesos. Aunque existen muchos métodos la mayoría son rígidos y resulta difícil adaptarlos a nuevas aplicaciones. Esto ha llevado a buscar nuevas soluciones en la Inteligencia Artificial y unos de los resultados ha sido desarrollar un sistema de visión artificial ya que todo proceso industrial es evaluado por la calidad de su producto final. Esto hace de la etapa de control de calidad una fase crucial del proceso. Los mecanismos utilizados para establecer la calidad de un producto varían dependiendo de los parámetros que tengan relevancia en el mismo. Cuando el parámetro relevante es la geometría o forma del objeto fabricado se suele dejar a la vista humana el trabajo de inspección y verificación para el control de calidad, sin embargo pueden existir errores en la geometría de un objeto que escapen de la vista de un operario y que luego impidan el buen funcionamiento de dicho objeto. En un caso como éste, surge como una buena alternativa utilizar un sistema de visión artificial capaz de detectar aquellos errores que un operario pudiera pasar por alto. Esta preocupación de hacer más eficientes los procesos de producción proporciona la base para el diseño de un sistema que será capaz de reconocer objetos que tengan características comunes en la misma línea de producción, con posibilidad de ser adaptado a requerimientos específicos para procesos industriales que se estén llevando a cabo en estos momentos en nuestra región. Esta herramienta ayudará al mejoramiento del proceso de calidad de los productos ya que el software implementado se encargará de permitir que haya mayor precisión y rendimiento. Se debe reconocer la gran importancia que representa en la actualidad debido al enfoque que se le está dando a la Inteligencia Artificial en el campo tecnológico frente a la solución de problemas con lo cual se busca competitividad y productividad. El sistema además servirá como mecanismo para que el Grupo de Investigación en Inteligencia Artificial y la universidad en general, realice aplicaciones con base en él y así conozca la importancia que tiene el desarrollo de las diferentes técnicas de visión artificial dentro de un entorno industrial, lo cual permitirá complementar con la investigación el ejercicio de la docencia que realizan los profesores del área en el aula de clase. 20

21 4. ALCANCES Y LIMITACIONES 4.1 ALCANCES El sistema trabajará con objetos geométricos tales como: círculo, cubo y paralelepípedo. Se realizará la captura de imágenes de objetos a través de cámaras digitales las cuales se procesarán mediante un software basado en las técnicas para tratamiento de imágenes. Se aplicarán técnicas que permitan reconocer objetos que se encuentren ubicados en la banda transportadora y pertenezcan a la misma línea de producción. El software realizará la clasificación correspondiente a la calidad del producto activando una respuesta en el brazo robot. 4.2 LIMITACIONES El sistema no tendrá la capacidad de aprendizaje, es decir adquirir y operar conocimiento, acerca de objetos distintos al círculo, cubo y paralelepípedo. El prototipo estará limitado a los recursos físicos que gestione el Grupo de Investigación en Inteligencia Artificial. 21

22 5. OBJETIVOS 5.1 OBJETIVO GENERAL Diseñar un sistema para la clasificación de objetos en un proceso industrial utilizando técnicas de visión artificial. 5.2 OBJETIVOS ESPECÍFICOS Aplicar técnicas de visión artificial para la captura y posterior análisis de imágenes a un sistema de control de calidad en una línea de producción. Diseñar e implementar el software de reconocimiento que se aplicará al prototipo del proceso industrial. Elaborar el diseño físico del prototipo industrial. Proporcionar una herramienta pedagógica para el aprendizaje de la robótica en la Universidad Francisco de Paula Santander. Elaborar los respectivos manuales del sistema que servirán de apoyo para la utilización del modelo. Realizar las pruebas finales que demuestren el funcionamiento del sistema. Elaborar documentación formal de los elementos y las técnicas fundamentales usadas para el tratamiento digital de imágenes y para el reconocimiento de patrones. 22

23 6. MARCO REFERENCIAL 6.1 ANTECEDENTES Visión computacional. El estudio de los mecanismos de procesamiento y representación de la información visual que percibe un ser vivo se encuentra en los orígenes de la ciencia y la filosofía. Desde la época de los clásicos griegos (platón y Aristóteles) hasta nuestros días se han formulado teorías sobre como percibe el ser humano su realidad exterior y de que manera usa y representa la información captada por sus sentidos. Más cercanos en la historia están los estudios de kepler sobre el análisis geométrico de la formación de la imagen en el ojo, los de newton (1666) sobre visión en color. Sin embargo el siglo XX trajo consigo un avance progresivo en el tema. A principios de siglo, Helmhotz (1910) investigó sobre óptica fisiológica y Wertheimer (1912) sobre el movimiento aparente de agrupaciones de puntos o campos. Estos trabajos, entre otros, han establecido las bases de las actuales teorías de percepción visual. El primer gran paso se dio con la aparición de la escuela de psicología de la Gestalt a partir de los trabajos de Wertheimer. Esta escuela estableció que los criterios de tipo generalista tales como similitud, homogeneidad, cercanía, etc., eran suficientes para tratar de explicar las propiedades de los mecanismos psicofísicos de la visión humana. Pero, esta aproximación con criterios tan globales se perdió años más tarde al no poder dar respuesta a nuevos interrogantes dentro del proceso de percepción visual. Debido a la importancia del sentido de la vista humana era lógico que con la aparición de los primeros computadores en los años 50, una de las primeras aplicaciones en las que se investigara fuera la visión artificial ya que se pensaba en un principio que el desarrollo de un sentido artificial de la vista sería una tarea fácil y alcanzable en pocos años. La reacción que nació, hacia los años 60, del fracaso de las teorías de la Gestalt ocasionó la búsqueda de explicaciones al más bajo nivel celular. Esto originó una nueva corriente de ideas y teorías que con base en las potencialidades de las neuronas, trataron de explicar los mecanismos y propiedades de la visión humana. (Hubel & Weisel (1962, 1968)). Sin embargo, esta aproximación tampoco pudo dar respuesta a los problemas más profundos de cómo nuestro mecanismo visual codifica, representa y reconoce distintos tipos de informaciones espaciales. 23

24 Por otra parte se inician los primeros trabajos en los que se utilizaron cámaras para la percepción del entorno. Así puede mencionarse el importante trabajo de Roberts (1963) que demostraba la posibilidad de procesar una imagen digitalizada para obtener una descripción matemática de los objetos incluidos en la escena; o el de Wichman (1967), que presentó en Stanford un equipo con cámara de televisión conectado a un computador, que podía identificar objetos y sus posiciones en tiempo real. Sin embargo, y en ambos casos, se trataba de imágenes muy simples, con fuertes restricciones. En ésta década hubo un fuerte entusiasmo inicial debido por un lado a una gran confianza en el poder de los computadores y por el otro a la consideración de que, si el ver constituye para los ojos una tarea fácil, igual debería suceder con los computadores. Como ejemplo de este entusiasmo puede citarse a Marvin Minsky, uno de los pioneros de la inteligencia artificial que propuso a un alumno en el verano de 1966 como proyecto el que un computador describiera lo que viese. Tal proyecto, por supuesto nunca se terminó. Hacia el final de la década se desarrollaron algoritmos que son utilizados hoy en día, como los detectores de bordes de Roberts (1965), Sobel (1970) y Prewitt (1970) aunque su funcionamiento estaba limitado a un numero reducido de imágenes y casos. Pocos años después la nota predominante en los laboratorios era la frustración ante los avances obtenidos y las pocas aplicaciones existentes. Es por ello que los años 70 presentan un abandono progresivo en la investigación. Es interesante hacer notar que un proceso parecido ocurrió con el estudio del proceso visual en el hombre. La explicación de esta fluctuación tan grande en el estado de ánimo está en que la información visual es una proyección bidimensional de objetos tridimensionales y por tanto hay infinidad de posibles soluciones. En este hecho se basan las ilusiones ópticas, en las que se presenta al lector figuras familiares pero son imposibles de realizar en la práctica. Otro motivo del desánimo fue la constatación de que el ser humano no es consciente de todo el proceso que se realiza para lograr interpretar la información visual, desde la captación de la imagen hasta la obtención de la información útil. A diferencia de la solución de un problema matemático donde son claros los pasos que hay que realizar, el análisis de imágenes se realiza de forma subconsciente por lo que se convierte en una tarea fácil a pesar de que realmente se desconocen sus etapas. Durante los años 80 las técnicas de análisis de imágenes se desarrollan de forma vertiginosa como consecuencia de la gran cantidad de aplicaciones que aparecen y la madurez alcanzada en el diseño de arquitecturas de computadores. 24

25 En esta década se comienza a estudiar la extracción de características. Así se tiene la detección de texturas (Haralik (1979)), y la obtención de la forma a través de ellas (Witkin (1981)); y en ese mismo año se publican artículos sobre: visión estéreo (Mayhew y Frisby), detección de movimiento y modelos de cálculo que expresan la formación de la imagen a través de ecuaciones diferenciales (Horn), interpretación de formas (Steven) y líneas (Kanade); o los detectores de esquinas de Kitchen y Rosendelf (1982). Éste último, trató de resolver los problemas de estimación de bordes y líneas utilizando criterios de tipo matemático. Sin embargo no pudo establecer métodos para la evaluación de sus algoritmos. Quizá el trabajo más importante de esa década es el libro de David Marr Visión: a computacional investigation into the human representation and processing of visual information (1982), donde se aborda por primera vez una metodología completa del análisis de imágenes a través del computador. Por ello a partir de esa década la visión artificial despunta de nuevo como una de las principales líneas de investigación en muchas universidades. Manifestación de ello es la aparición continua de revistas especializadas o el número cada vez mayor de congresos internacionales, los fondos dedicados a su investigación y desarrollo, la aparición de asignaturas en los planes de estudios universitarios, etc. La causa de tal crecimiento se debe principalmente al enfoque realista del problema a resolver: por ejemplo empieza a denominarse con el nombre menos llamativo visión por computador en lugar de visión artificial ; y además el desarrollo de los computadores: el aumento de su capacidad de cálculo y disminución de su precio, y la aparición de hardware específico para el procesamiento y tratamiento de imágenes. Con ello empiezan a ser utilizables aplicaciones ya resueltas con anterioridad que no se habían podido utilizar en la práctica debido a su costo o tiempo de procesamiento Inspección Visual Automatizada. La inspección visual automática se define como un proceso de control de calidad que, mediante técnicas de procesamiento digital de imágenes y reconocimientos de patrones, determina automáticamente si un producto se desvía de las especificaciones de fabricación [new95]. De esta manera, se pretende garantizar que los productos que pasen el control de calidad, cumplan con las especificaciones que hayan sido establecidas en su producción, ya sea por el fabricante mismo o bien por alguna norma reguladora. Estas especificaciones se fijan de acuerdo con criterios de seguridad, funcionalidad o estética. Al finalizar la segunda guerra mundial, la industria japonesa prosiguió la lucha comercial apoyándose en una producción barata y abundante, pero los mercados internacionales se les resistían principalmente por una causa: su calidad no era aceptable. 25

26 Fue a partir de la instauración de criterios de control de calidad cuando la producción japonesa conquistó todos los mercados y permitió la evolución que les ha llevado al primer lugar en nuestros días. Los tiempos en que cada empresa tenía su mercado asegurado gracias a la dificultad del transporte, comunicaciones y a una deficiente información han terminado; ahora la oferta supera largamente a la demanda y solo sobreviven los productos más aptos. La idea fundamental a tener en cuenta es que la calidad no debe controlarse sino que hay que producirla. Subsiste aun la vieja mentalidad de creer que cualquier nuevo tipo de control es un gasto de tiempo y materiales y, por lo tanto encarecimiento del producto final. Si bien es cierto que una completa implantación del control de calidad no debe ni puede separarse de un aprendizaje por parte de todas las personas implicadas, incluidos los operarios de las máquinas afectadas, hay que hacer notar que no conlleva ninguna dificultad y que la recuperación de la inversión se realiza de forma rápida. El procedimiento tradicional consistía en dejar la comprobación del control de calidad en último lugar, cuando los productos ya estaban acabados. De esta manera, los que no superaban los criterios establecidos podían ser devueltos para su recuperación (gasto de mano de obra y materiales). Peor aún era el caso en que la inspección de calidad la realizaba el cliente, con la consecuente pérdida de credibilidad, a la vez que ocasionaba grandes costos de transporte y recuperación. Parece claro, entonces, que el control de calidad debe realizarse a pie de máquina, con todas y cada una de las piezas que componen el producto, asegurando que si todas ellas cumplen los requisitos establecidos, difícilmente no las va a cumplir el producto final. Aunque el hecho de tener un operario dedicado al control en distintos departamentos no es desechable en algunos casos particulares, la intervención del hombre produce inevitablemente pérdidas de tiempo, posibles errores de medida y mayor costo a largo plazo. Por todo ello es aconsejable la adquisición automática de datos, que nos asegura rapidez, exactitud y menor costo. En cuanto a la investigación sobre visión artificial, y específicamente sobre reconocimiento de patrones, a escala mundial se están desarrollando varios proyectos respaldados por empresas, organizaciones y universidades de gran prestigio, lo cual deja 26

27 entrever la importancia y el interés que ha generado esta área de estudio. Se pueden mencionar entre otros: Sistema de inspección visual automática de azulejos de patrón fijo: En este trabajo se presenta un sistema de inspección visual automática desarrollado para detectar y clasificar defectos superficiales en piezas cerámicas que presentan un patrón fijo. El sistema realiza un proceso de análisis estructurado en varias etapas: La primera etapa es el registrado de imágenes, necesario para alinear espacialmente las imágenes de las piezas a inspeccionar con una imagen de referencia libre de defectos. La segunda etapa consiste en la comparación píxel a píxel entre ambas imágenes, obteniendo un mapa de defectos. Posteriormente, del mapa de diferencias se extraen una serie de características que son de utilidad para discriminar los tipos de defectos más comunes en este ámbito. En función de estas características se etiquetan los distintos defectos, estimando la categoría de la pieza. Detección de fallas en piezas fundidas usando una metodología de reconocimiento de patrones. Detección automática de fallas en piezas fundidas se lleva a cabo mediante el análisis de imágenes radioscópicas digitales. Comúnmente se emplea con este fin una metodología de reconocimiento de patrones que consta de tres etapas: segmentación, en la que se obtienen regiones de las imágenes que corresponden posiblemente a las fallas; extracción de características, en la que se miden las regiones segmentadas; y finalmente clasificación, en la que de acuerdo a las características extraídas, se separan las regiones segmentadas en dos clases: 'defectos' y 'estructuras regulares'. La detección se realiza en la etapa de clasificación, la que tiene como finalidad reducir el número de los falsos positivos obtenidos en la etapa de segmentación, sin disminuir el número de verdaderos positivos. Sistema de visión artificial para el control de calidad del melón: este proyecto de investigación basado en visión artificial se encuentra orientado al proceso de selección de hortalizas, principalmente el melón en sus dos variedades: Honeydew y Cantaloupes. La orientación del proyecto se centra en la localización, extracción análisis y posterior clasificación del melón de acuerdo a los estándares nacionales e internacionales para su posterior empaque. Sistema automático para la clasificación de rosas utilizando labview y imaq vision: con este proyecto se pretende diseñar e implementar un sistema automático basado en el análisis y procesamiento de imágenes que permita optimizar y tecnificar el proceso de clasificación de rosas, garantizando un diagnostico exacto de las variables que se manejan, la agilización del proceso y un alto control de calidad que se refleja en la vida útil del producto. 27

28 La finalidad de este sistema es automatizar las actividades que involucra el proceso de clasificación de rosas, basado en el análisis morfológico de la imagen, integrando todas las variables en una sola respuesta real y confiable que permita a diferencia de los métodos tradicionales obtener un diagnóstico exacto de los parámetros establecidos, disminuyendo costos y aumentando el control de calidad. Sistema de Detección por Visión de Marcas de Defecto en vidrio: este proyecto realiza reconocimiento de patrones para detectar de las marcas seleccionadas en planchas de vidrio que circulan a una velocidad de 1 metro/seg. 6.2 BASES TEÓRICAS Luz. El hecho de que se reciba por medio de la visión gran parte de la información del mundo exterior, ha motivado numerosos estudios para determinar la naturaleza de la luz. De manera progresiva los más eminentes científicos propusieron posibles soluciones: Así, Euclides supuso que la luz se propagaba en línea recta, Galileo en su estudio construyó el telescopio astronómico, Newton sugirió que la luz era un chorro de corpúsculos y Huygens que es una onda; finalmente Maxwell propuso que la luz es un fenómeno electromagnético, de esta manera Einstein y Planck lograron exponer, a principios del siglo XX, la teoría de luz tal como se conoce hoy. En conclusión la luz es un fenómeno que posee una naturaleza dual, que depende del sistema y de las condiciones de observación. El primer enfoque determina que la luz tiene una naturaleza ondulatoria: Así es posible explicar los fenómenos de propagación, interferencia y difracción. Además se determina que la luz es una forma de onda electromagnética de alta frecuencia, con una velocidad de propagación en el vació de Km/s. El segundo enfoque determina que la luz tiene una naturaleza corpuscular, explica la interacción de luz con la materia y afirma que la energía de una onda de luz esta formada por cantidades discretas de energía denominada fotones. Para este trabajo solo se analiza el primer enfoque: La naturaleza ondulatoria de la luz. Naturaleza ondulatoria de la luz: La teoría ondulatoria describe la luz como la radiación formada por un campo eléctrico y uno magnético que oscilan en ángulo recto 28

29 entre sí y son perpendiculares a la dirección de propagación. La figura 1 muestra los elementos característicos de este tipo de radiación. Elementos característicos de radiaciones electromagnéticas: Período (T): Tiempo necesario para que se produzcan las mismas características de un fenómeno periódico. Se mide en segundos. Frecuencia (f): Inversa del período. Se mide en hercios (1Hz= 1s -1 ). Figura 1. Naturaleza ondulatoria de la luz Longitud de onda (λ): Distancia recorrida por la radiación durante un período. Es decir la distancia entre dos picos consecutivos entre las ondas sinusoidales. Se mide en nanómetros. Velocidad de propagación en el vacío (C): Es la misma para todas las radiaciones. c = m/s. c = λ / T = λ x f. Velocidad de propagación en un medio (Vmedio): Es menor que en el vacío y depende del índice de refracción n del medio. Medio = c / n 29

30 Número de onda (f ): f = 1/ λ En la figura 2 se puede observar como la intensidad de la luz viene determinada por la amplitud de la onda y el color por su frecuencia. Percepción de la luz: Para entender como se lleva a cabo el proceso de percepción humana de la luz es necesario diferenciar la luz física de la luz percibida. Esta última se entiende como la percepción o sensación que tiene el ojo humano al ser afectado por una fuente de luz física. Dos ciencias se encargan del estudio de cada uno de estos elementos. La encomendada del estudio de la luz física se conoce como radiometría y la que estudia la luz percibida se denomina fotometría. Figura 2. Intensidad de luz. Radiometría: Es la ciencia de la iluminación, de la medida de la energía radiante dentro del espectro óptico (infrarrojo, visible y UV). Incluye el conjunto de métodos para medir o evaluar el contenido energético básico de la luz y su interacción con la materia (sensor). Fotometría: Es la ciencia de la iluminación pero aplicada cuando el fenómeno luminoso implica a un observador humano. Incluye el conjunto de métodos para medir o evaluar la luz, tal y como la percibe un observador humano. La visión es una sensación personal que únicamente experimenta el individuo y por tanto es un fenómeno psicológico. La medida de la luz debe incluir la asignación de valores que representen atributos del fenómeno 30

31 psicológico. La medida de la luz intenta relacionar el fenómeno psicológico (luz) con el fenómeno físico (flujo luminoso, longitud de onda, etc.) que provoca la percepción. En la figura 3 se muestra la relación entre estas dos ciencias. Figura 3. Relación de la radiometría y la fotometría. Fuentes de luz: Dentro de la naturaleza hay muchos procesos físicos y químicos que generan luz: Incandescencia: Emisión de luz por excitación térmica. Luminiscencia: Excitación electrónica por energía no térmica. Descarga de arco: Ionización de un gas. Para un sistema de visión son interesantes principalmente aquellos procesos que emiten radiaciones ópticas, es decir, luz en el infrarrojo, visible y en el ultra violeta. La fuente de luz de un sistema de visión ha de ser seleccionada dependiendo: Del nivel particular de iluminación requerido. 31

32 Del grado de direccionalidad deseado. De la salida espectral (colores). De una fuente de luz es indispensable tener en cuenta los siguientes aspectos prácticos: Forma (puntual, esférica, lineal) y tamaño físico. Intensidad de la fuente y radiación. Potencia de la fuente (voltios, vatios). Precauciones de seguridad. Angulo de emisión Requerimientos de refrigeración. Compatibilidad con el equipamiento existente. Costo (adquisición y mantenimiento) Estabilidad en el tiempo y tiempo de vida. Regulación de intensidad Vibraciones o parpadeos En el cuadro1 se encuentra una breve explicación de las principales fuentes de luz: 32

33 Cuadro 1. Ventajas y desventajas de las principales fuentes de luz. Fuente de Luz Ventajas Desventajas Incandescentes Bajo costo, fácil uso, varias configuraciones, funcionan por periodos largos de tiempo, posibilidad de ajustar la intensidad. Tungstenohalógeno Fluorescentes Diodos Led Luz estroboscópica Alta potencia de salida. Muy eficientes, no generan calor presentan diferentes formas, tamaños y colores de luz. Proporcionan una luz monocromática disponible en una gran variedad de colores, poseen un tiempo largo de duración y un costo más bajo frente a otras fuentes de luz. Son fuentes de poca potencia, un aspecto positivo para algunos tipo de iluminación. Larga vida. Buena coincidencia CCD. Óptica sencilla. Son ideales cuando hay que analizar objetos en movimiento o piezas de una cinta transportadora. Dan una iluminación intensa, por lo que la iluminación ambiente influye poco. Exceso de calor, presentan problemas de sincronización con las cámaras, baja eficiencia. Exceso de Calor. Imposibilidad de operar a bajas temperaturas, disminución del nivel de iluminación con el paso del tiempo. Vibraciones. Su intensidad de iluminación es bastante pequeña, que contrarresta la ventaja del precio al tener que usar varios. Rayo de luz altamente divergente. Necesitan una fuente de tensión especial, hay que sincronizarlas con las cámaras y su intensidad va decreciendo con el tiempo. Son caras, voluminosas, vida limitada. Demasiado azules para los CCDs. Láser Fibra Óptica Fuente de luz utilizada en iluminación estructurada, que permite entre otras aplicaciones, tomar mediciones tridimensionales. Concede la posibilidad de generar una gran diversidad de patrones de luz tales como puntos, líneas muy finas o rejillas. No transmiten calor en el proceso de la iluminación. Se usa en la iluminación de pequeñas áreas y cavidades y en aplicaciones que presentan un espacio constante o estrecho para la adquisición de imágenes. Necesidad de añadir al sistema medidas de seguridad, para evitar daños oculares de los operarios que trabajen junto al equipo de iluminación. Óptica compleja, rayo de luz altamente divergente. Costo. Propiedades de los objetos: En forma resumida, pueden ocurrir tres cosas cuando un haz luminoso incide cobre un material: que todo el rayo se refleje como en el caso de los espejos, que la luz sea absorbida como en los objetos de color negro o que se transmita a través del material como sucede en los cristales. Así se definen tres propiedades: Reflexivas, absorbentes y transmitivas (Figura 4). 33

34 Figura 4. Diversas propiedades de los materiales: (a) especulares, (b) difusos, (c) reflectores, (d) transparentes, (e) translúcidos Dependiendo de cómo se refleje el haz de luz se tienen: Propiedades reflexivas Materiales especulares. En ellos el ángulo reflejado es igual al ángulo con que el incide el haz luminoso. El uso de espejos en los sistemas de visión computacional tiene como finalidad acercar la imagen desde donde se encuentra el objeto a donde esta la cámara. Materiales difusos. Los rayos reflejados toman diferentes direcciones. El uso de estos materiales es necesario cuando se quiere que la iluminación genere sombras fuertes. Materiales reflectores. El rayo se refleja en la misma dirección pero en sentido opuesto al incidente. Materiales selectivos al espectro.dependiendo de la longitud de onda, algunas radiaciones son absorbidas y otras reflejadas de manera especular o difusa. Todos los materiales de color cumplen con esta propiedad. Materiales no selectivos al espectro. Todas las longitudes de onda son reflejadas. 34

35 Propiedades absorbentes: dependiendo de cómo se absorba la luz se tiene materiales selectivos o no al espectro. La diferencia con la propiedad reflexiva es que mientras que ésta tiene en cuenta cuales son las longitudes de onda reflejadas, la propiedad absorbente tiene en cuenta las longitudes de onda absorbidas por el material. Así un material que absorba todas las longitudes de onda es de color negro y si no absorbe ninguna es blanco. Propiedades transmitivas: en esta propiedad se tiene en cuenta que la luz pasa ahora a través del material. Dependiendo de cómo lo haga se tienen: Materiales transparentes. La luz pasa sin ser absorbida o reflejada. La perdida de intensidad es muy pequeña. Materiales traslucidos. La mayor parte de la luz atraviesa el material, pero de forma difusa, es decir en todas las direcciones. Materiales selectivos al espectro. Dependiendo de la longitud de onda, algunas son transmitidas y otras no. Los filtros ópticos están fabricados con materiales de este tipo. Fundamentos del color: en 1666 Isaac Newton descubrió que cuando un rayo de luz solar pasa a través de un prisma de cristal el rayo de luz que sale no es blanco sino que está formado por un espectro continuo de colores que van desde el violeta al rojo. Los colores que los seres humanos perciben en un objeto vienen marcados por la naturaleza de la luz reflejada del objeto. Un cuerpo que refleja luz relativamente equilibrada en todas las longitudes de onda aparece blanco. Un objeto que refleja en un rango limitado del espectro visible muestra algún color. La caracterización de la luz es fundamental para la ciencia del color. Si la luz no tiene color su único atributo es la intensidad. Para una luz con color, el espectro electromagnético de luz visible va de 400 a 700 nm aproximadamente. Se usan tres cantidades para describir una luz cromática: radiancia, luminancia y brillo. La luminancia se mide en lúmenes y es una medida de la cantidad de energía que el observador percibe. Por ejemplo, la luz emitida por una fuente que opera en el infrarrojo puede tener mucha energía (radiancia), pero no es visible por el observador y por tanto su luminancia es nula. Por último, el brillo es un descriptor subjetivo que se puede medir difícilmente y es el responsable básico de la sensación de color. Debido a la estructura del ojo humano, todos los colores se ven como una combinación de los tres llamados colores básicos: Rojo (R), verde (G) y azul (B). Con la idea de producir 35

36 un estándar la Comisión Internacional de Iluminación (CIE) designó en 1931 las siguientes longitudes de onda para los tres colores primarios: azul = nm, verde = nm y rojo =700 nm, sin embargo es obvio que un sólo color no puede ser llamado rojo, verde o azul. Por tanto, tener tres longitudes de onda específicas para los tres colores no significa que estas tres componentes trabajando solas puedan generar todos los colores. Esto es importante, ya que se cree, erróneamente, que estos tres colores mezclados pueden producir todos los colores visibles. Esto no es cierto salvo que también se permita a las longitudes de onda variar. Al sumar los colores primarios se producen los colores secundarios, magenta (rojo más azul), cian (verde más azul) y amarillo (rojo más verde). Si se mezclan los tres colores primarios o un secundario con su color primario opuesto en las intensidades correctas se obtendrá luz blanca. Ver la figura 5 que muestra los colores primarios y sus combinaciones para obtener los secundarios. Figura 5. Suma de colores primarios Diferenciar entre los colores primarios de luz y los colores primarios de pigmentación o colorantes es importante. En este caso, un color primario se define como uno que absorbe un color primario de luz y transmite los otros dos. En este caso, los colores básicos de pigmentación son magenta, cian y amarillo y los secundarios son rojos, verdes y azules. Estos colores se muestran en la figura 6. Una combinación apropiada de las tres pigmentaciones primarias produce el negro. 36

37 Figura 6. Colores secundarios Visión Humana. Estructura física del ojo: la figura 7 muestra una sección horizontal del ojo humano. El ojo es casi una esfera de unos 20mm de diámetro, formada por un conjunto de membranas denominadas cornea, esclera, coroide y retina. La cornea y la esclera constituyen las envolturas externas anterior y posterior del ojo respectivamente. La capa coroidal además de alimentar el ojo a través de sus vasos sanguíneos, tiene la misión de absorber las luces extrañas que entran el ojo así como de amortiguar el efecto de dispersión de la luz dentro del globo ocular. El iris o diafragma esta situado en la parte anterior del coroide, y tiene como misión controlar la cantidad de luz que entra en el ojo. Para ello, la pupila o parte central del iris puede cambiar de tamaño en función de la luminosidad incidente desde 2mm a 8mm de diámetro. La lente del ojo esta formada por capas concéntricas de células fibrosas y esta sujeta al coroide a través de fibras. En la lente se absorbe cerca de un 8% del espectro de luz visible así como una gran proporción de luz infrarroja y ultravioleta. La membrana más interna del ojo es la retina que cubre toda la pared interna del ojo. Cuando la luz llega al ojo la imagen que transporta se forma en la retina por la sensibilización de dos clases de receptores: los bastones y los conos. 37

38 Figura 7. Estructura física del ojo humano. El número de conos existentes en un ojo esta entre 6-7 millones y su ubicación dentro del ojo se concentra alrededor de un punto llamado fóvea (figura 7). La misión de los conos dentro del ojo es doble. Por un lado son responsables de la detección del color y por otro ayudan a resolver los detalles finos de la imagen. Cuando una persona quiere resolver detalles finos en una imagen intenta que esta se forme en su retina alrededor de la fóvea, consiguiendo por tanto, que los conos sean mayoritariamente los receptores de la luz. La visión a través de los conos se denomina visión fotoscópica o de luz brillante. Por otro lado, el número de bastones existentes en un ojo es muy superior al de conos y esta entre millones. Los bastones se distribuyen sobre toda la retina y al igual que los conos tienen una doble misión. Por un lado son responsables de dar una impresión general del campo de visión y por otro de la sensibilidad a niveles bajos de iluminación. Los bastones no son sensibles al color. Un objeto que a la luz del día tiene colores vivos, observado a la luz de la luna aparece sin colores, esto es debido a que tan solo los bastones están estimulados. A la visión a través de bastones se le denomina visión escotópica o de luz tenue. Con objeto de comparar el ojo con un sensor electrónico, se puede considerar el tamaño de la fóvea, como un círculo de aproximadamente unos 1.5mm de diámetro, y la densidad de conos en esa región, aproximadamente unos por mm 2. 38

39 Puede por tanto estimarse que el número de elementos receptores en la zona de mayor precisión del ojo puede llegar a ser aproximadamente de unos Si se compara esta número de receptores son los que la tecnología actual puede integrar en una CCD de unos 7 mm 2, puede decirse que al menos en número de receptores la tecnología actual puede dar la misma resolución que el ojo humano. Figura 8. Densidad de conos y bastones Componentes de la visión: La energía radiante generada en una fuente de luz incide sobre el ojo como un estímulo externo para provocar la visión. Esta energía radiante entra en la cornea atraviesa el medio óptico formado por el cristalino y penetra a la retina, la cual es la encargada junto con las células fotorreceptoras de transformara la energía radiante luminosa en impulsos nerviosos que se transmiten al cerebro mediante el nervio óptico. Figura 9. Componentes primordiales de sistemas de visión humano y computacional. Elementos de la percepción ocular: La distribución de la sensibilidad del ojo a las distintas longitudes de onda tiene forma de campana con un valor máximo para los conos en torno a los 600 nm y un máximo para los bastones en torno a los 500 nm. 39

40 El ojo humano es capaz de adaptarse en un rango de valores de iluminación de aproximadamente l0 órdenes de magnitud, es decir un rango de valores que van de ( ). El punto más importante a la hora de interpretar este enorme rango es el hecho de que el ojo no opera de forma simultánea sobre todo el rango si no que en cada caso y en función de la luminosidad medía existente se hace sensible a un rango alrededor de dicho valor medio. Dicho intervalo de sensibilidad esta definido de manera que el ojo considera como negro todos aquellos valores que están por debajo del límite inferior del intervalo. El limite superior no se satura como el inferior, pero si queremos que el ojo sea sensible a un determinado rango de luminosidad, habremos de impedir que el ojo reciba valores de intensidad luminosa muy superiores, ya que en ese caso trataría de adaptarse a los valores más intensos a costa de perder sensibilidad en los menos intensos. Este efecto de adaptación se denomina adaptación al brillo. Percepción del color: La percepción humana del color corresponde a parámetros como el brillo, el tono y la intensidad, mientras que la percepción de color de un computador es una combinación de rojo, verde y azul. Ya que el color es la reacción de el cerebro a un estimulo visual especifico, el color se puede definir mejor por las diferentes sensaciones que el cerebro humano percibe. Las células sensitivas en la retina del ojo por ejemplo usan tres bandas de color que corresponden a la luz roja, verde y azul. Las señales de estas células viajan al cerebro donde se combinan y se producen las diferentes sensaciones de colores. La Comisión Internacional de l Eclairage tiene definidas las siguientes sensaciones: Brillo: Sensación que indica si una área esta mas o menos iluminada. Tono: Sensación que indica si un área parece similar al rojo, al verde o al azul o a una proporción de dos de ellos. Coloración: Sensación por la que un área tiene mayor o menor tono. Luminosidad: Brillo de una zona respecto a otra blanca en la imagen. Croma: La cromaticidad de un área respecto al brillo de un blanco de referencia. Saturación: La relación entre la cromaticidad y el brillo. 40