UN SISTEMA DE VISIÓN ARTIFICIAL PARA DETECTAR Y ESTIMAR EL TAMAÑO DE ROCAS

Transcripción

1 UN SISTEMA DE VISIÓN ARTIFICIAL PARA DETECTAR Y ESTIMAR EL TAMAÑO DE ROCAS M. Araceli Sánchez, Julián Nieto, Jesús M. Berrocal Universidad de Salamanca Departamento de Informática y Automática Plaza de la Merced s/n Salamanca araceli@tejo.usal.es Enrique Cabello Universidad Rey Juan Carlos ESCET C/Tulipán s/n Móstoles (Madrid) ecabello@escet.urjc.es Guido Castro Universidad de La Habana Departamento de Ciencia de la Computación Cuba guido@tejo.usal.es Javier Delgado ENUSA Crta. Ciudad Rodrigo-Lumbrales, Km Ciudad Rodrigo (Salamanca) jdi@mina.enusa.es Resumen Una tarea importante en la industria minera es el machaqueo de la roca que se obtiene en la mina, donde el exceso de tamaño de algunos bloques puede dar lugar a importantes atascos en la alimentación de la maquinas de machaque. Este artículo presenta un sistema de visión artificial para estimar el tamaño de las rocas a medida que éstas van avanzando por el alimentador de una machacadora de impactos. En la Planta Quercus, las rocas provienen directamente de una mina de cielo abierto y son depositadas en una gran tolva. Mediante un alimentador vibrante y un precribador se alimenta una machacadora de impactos de gran tamaño. Si una roca tiene un tamaño mayor que la boca de la machacadora, puede bloquearla. Hasta ahora un trabajador debía estimar visualmente el tamaño de las rocas y detener el alimentador y precribador si detectase una que a su juicio pudiera obstruir la entrada en la máquina y proceder a su reducción mediante un martillo hidráulico montado sobre un brazo articulado. La existencia de dos líneas en paralelo de las características descritas hacía difícil la atención a ambas por un único trabajador. Este proceso ha sido automatizado por medio de un sistema de visión artificial que estima el tamaño de las roca, controla los alimentadores y precribadores y detecta cualquier roca con tamaño mayor que la boca de las machacadoras. El sistema de visión satisface los requisitos de tiempo impuestos por la industria para trabajar en tiempo real, así como los debidos a la extrema dureza ambiental. Actualmente está funcionando. Palabras Clave: Visión artificial, estimación del tamaño de rocas, redes neuronales. 1 INTRODUCCIÓN ENUSA, en su Planta de Tratamiento de Minerales de Uranio, denominada Planta Quercus dispone de una importante planta de machaqueo constituida por dos líneas dotadas de dos etapas de machaqueo mediante trituradoras de impacto. En nuestra industria, como en una gran mayoría de las industrias mineras o canteras, la heterogeneidad de tamaños de la roca extraída de la mina crea problemas en las alimentaciones de las

2 estaciones de machaqueo, lo que obliga a un sobredimensionado de las mismas y a dotarlas de brazos articulados y martillos hidráulicos, además de requerir una continua supervisión humana al no existir en el mercado instrumentación convencional que permita la detección de estos sobretamaños. En la Planta Quercus la roca es transportada directamente desde la voladura a una gran tolva. Esta tolva dispone de dos alimentadores-extractores vibrantes en su fondo que descargan sobre sendos alimentadoresprecribadores que a su vez descargan sobre dos machacadoras de impactos de gran tamaño. Un operador situado en una cabina presurizada para evitar el polvo y el ruido, controla las descargas de los extractores sobre los precribadores. Si observase que un gran bloque estaba siendo alimentado a una de las machacadoras, el trabajador debe detener ambos alimentadores, (mientras dedica su atención a uno, el otro no está vigilado y puede dar lugar a la alimentación de un bloque con sobretamaño) y partir la roca con un martillo hidráulico. Sin embargo, las personas se fatigan y su atención disminuye a lo largo del tiempo, las estimaciones son subjetivas y hay distracciones durante las horas de trabajo. El desarrollo de un sistema automático puede ayudar en el proceso de varias formas. Primero, permite detener solo la línea bloqueada y no las dos. Segundo, el sistema supervisa los dos extractores de forma continua y homogénea, reduciendo el número de paradas. Tercero, la seguridad de los operarios aumenta, ya que en cuanto se detecta una roca grande, el sistema se detiene y es muy difícil que se acumulen otras rocas por detrás de la que bloquea la línea y que puedan formar un atasco que de lugar a una avalancha durante las labores para eliminarlo. Durante la extracción se necesita una gran cantidad de explosivos para asegurar que pocas rocas sean grandes, por lo que finalmente, se pueden necesitar menos explosivos en la extracción de las rocas. Durante la realización de este trabajo surgieron algunas dificultades, podemos citar las siguientes: * En el aire hay polvo en suspensión, que puede llegar a ocluir total o parcialmente la visibilidad de la escena, especialmente cuando un camión descarga en el depósito. ilumina los extractores modificando la cantidad de luz. * Las rocas no tienen colores uniformes, mas aún, en nuestro caso en algunas ocasiones las rocas están mojadas. Una roca mojada es casi negra y es muy difícil de extraer su silueta. En resumen, un sistema de visión automática que realizase esta tarea, ayudaría al trabajador, aumentaría la seguridad y permitiría un ahorro a la empresa. La reducción en los precios de ordenadores y cámaras digitales permite la utilización de un sistema de visión de bajo coste para abordar este problema, aunque el entorno sea bastante hostil para su funcionamiento. Es importante destacar que el sistema deberá ser utilizado por un trabajador sin conocimientos informáticos, como consecuencia, la interfaz debe ser lo más pequeña y amistosa posible para que realmente sea utilizado. La industria minera es un área en la cual los sistemas de visión artificial puede ser útiles en un gran número de actividades [4]. En particular, las técnicas de visión artificial se han utilizado para mejorar la calidad del material y para evitar situaciones peligrosas. El problema más abordado ha sido la estimación del tamaño de las rocas en una cinta transportadora ya que es útil para evitar situaciones de bloqueo o para determinar la composición granulométrica de las rocas. Los trabajos de Wang [9], Wu [8] y Crida [5] proponen varias soluciones, pero son muy sensibles a las condiciones de iluminación y hacen uso de numerosos parámetros con valores experimentales. Las redes neuronales artificiales han sido utilizadas por Crida [6] y Fernandez [7]. El primero considera una red neuronal alimentada hacia delante y entrenada con el algoritmo de retro-propagación para detectar las rocas. La conclusión que obtiene es que las redes neuronales aisladas no son capaces de reconocer una roca. Fernandez et al. utilizan una retina y una técnica de codificación para permitir a una red neuronal estimar la distribución granulométrica de rocas en una imagen. Bajo la suposición de luz controlada, obtienen excelentes resultados al calcular la distribución granulométrica en una cinta transportadora. * El área cubierta por la cámara debe estar bajo iluminación constante o controlada, para evitar la perdida de información. En nuestra disposición, por el contrario, el sol

3 2 DESCRIPCIÓN DEL SISTEMA El sistema de visión que se ha instalado está constituido por un PC con dos tarjetas de adquisición de imágenes y dos cámaras CCD de blanco y negro. Cada cámara se conecta a una tarjeta de adquisición y enfoca a un alimentador. La resolución de la imagen está fijada en 640x480 pixeles con 256 niveles de gris. Una visión esquemática del sistema se muestra en la figura 1. Únicamente se instaló un monitor ya que así el trabajador puede ver las dos imágenes de un único golpe de vista. Figura 2: Un alimentador en funcionamiento. 3 DESCRIPCIÓN DEL PROGRAMA El programa desarrollado ha sido estructurado en tres etapas dependiendo del tratamiento aplicado a las imágenes: adquisición, preprocesamiento (para obtener un conjunto de ventanas con posibles rocas en la imagen) y procesamiento (utilizando una red neuronal artificial y un algoritmo de seguimiento para asegurar una correcta detección). El esquema de la figura 3 muestra la descomposición del algoritmo. Cada fase se describe brevemente a continuación. Figura 1: Esquema del sistema de visión. La figura 2 muestra un alimentador en funcionamiento. Podemos observar en el centro derecha de la imagen dos cadenas metálicas cuyo efecto es evitar avalanchas de rocas y que se superpongan unas sobre otras. Además, como las cadenas barren las rocas, obligan a que las dimensiones más grandes de las rocas estén en el plano de visión. Es casi imposible que la longitud mayor permanezca perpendicular al plano de visión. Debido al tamaño y localización de los alimentadores no es posible controlar eficientemente las fuentes de luz. Los alimentadores están situadas en un edificio que el sol ilumina de forma diferente a lo largo del día. Aunque se colocaron cuatro focos para iluminar la escena, al final de la tarde el sol ilumina directamente los alimentadores y precribadores, saturando las CCDs. Esto es un obstáculo insalvable en el sistema, pero como la energía eléctrica es más barata por la noche, la mayor parte del trabajo se realiza a esas horas. En este caso, los focos son fuentes de luz adecuadas. Figura 3: Esquema del programa. 3.1 ADQUISICIÓN DE IMÁGENES El ordenador adquiere y procesa alternativamente una imagen de cada cámara. Como las cámaras están firmemente sujetas en la pared, el alimentador se ve siempre en la misma posición. Se puede definir una región de interés conteniendo el alimentador de tal modo que la zona de la imagen inicial fuera de la

4 región de interés es eliminada, y por lo tanto el tiempo de procesamiento se reduce sin perdida de información. La forma de la región de interés se almacena en un fichero de configuración, que se carga al iniciarse el programa. Un ejemplo puede verse en la figura 4. Además las rocas mojadas son casi negras y los algoritmos de segmentación tienden a agrupar las rocas con el fondo en la misma región. Figura 5: Imagen después del preprocesamiento Figura 4: Imagen inicial con la región de interés 3.2 PREPROCESAMIENTO DE IMÁGENES En esta fase se aplican algoritmos rápidos y se obtiene información sobre las regiones en la imagen que pueden contener rocas. Algunos de los algoritmos utilizados son comunes en visión artificial (ecualización del histograma y filtro pasa baja) pero otros han tenido que ser adaptados a nuestro problema (binarización con dos umbrales y algoritmo de separación entre regiones) [1] [2] [3]. El preprocesamiento es una etapa crítica en la cual la entrada es una imagen de niveles de gris y la salida final es un conjunto de ventanas de la imagen que pueden contener una roca (un conjunto de posibles rocas ). La fase de preprocesamiento se enfrenta con los problemas relacionados con los niveles de gris de la imagen y por lo tanto se debe construir un algoritmo robusto. Como se ve en la figura 3, esta etapa se ha dividido en varios procesos, cada uno representa la aplicación de un algoritmo para separar las distintas rocas que pueden aparecer en la imagen. La figura 5 muestra el resultado del preprocesamiento en una imagen. Diferentes opciones fueron consideradas (varios detectores de bordes y algoritmos de segmentación entre otros) pero los resultados no fueron adecuados para nuestro proyecto. Por ejemplo, los detectores de bordes ofrecen un conjunto de numerosos segmentos, pero muy pequeños y sin ningún orden. Los algoritmos de segmentación o bien ofrecen un gran número de regiones pequeñas o bien requieren mucho tiempo de procesamiento. 3.3 PROCESAMIENTO DE IMÁGENES Una vez que la imagen ha sido preprocesada, cada posible roca aparece inscrita en un rectángulo. Esta zona de la imagen se etiqueta como posible roca y sólo los rectángulos con tamaño mayor que un umbral son considerados por la red neuronal. El tamaño del rectángulo es una estimación del tamaño real de la roca. Como la distancia cámara-alimentador es conocida y el foco es constante, una simple transformación geométrica nos da una estimación de la dimensión real de la roca, basándonos en la longitud del rectángulo. Las redes neuronales artificiales son una técnica de clasificación muy conocida y han mostrado su enorme potencial como herramientas de clasificación [10] [11]. En nuestro caso, una red neuronal decide si una posible roca va a ser clasificada como roca o no: la entrada es una imagen de niveles de gris y la salida es su clasificación como roca o no. Se aportan más detalles en la sección 4. Los resultados en una imagen se muestran en la figura 6. Para mejorar la precisión del reconocimiento se añadió un mecanismo de seguimiento: cuando una roca es detectada, se sigue a lo largo de una secuencia de imágenes, y si se detecta en al menos la mitad de las imágenes, se considera una roca bloqueante. Este método elimina falsas detecciones debido al agrupamiento de rocas, ya que no persisten a lo largo de una secuencia. Cuando se considera que una roca puede bloquear la machacadora, el operador es informado y la línea puede ser detenida.

5 RBF con imágenes a las que se les ha aplicado un filtro pasa baja. Tabla I: Porcentaje de éxito con el conjunto de imágenes de prueba Porcentaje de identificación correcta FANN 92.0 RBF 94.1 Figura 6: Imagen final 4 RESULTADOS NUMÉRICOS Y DISCUSIÓN Dos tipos de redes neuronales artificiales se compararon en nuestro trabajo: una red neuronal de tres capas alimentada hacia delante y entrenada con el algoritmo de retro-propagación (FANN) y una red neuronal de funciones de base radial (RBF). La topología utilizada fue la misma en los dos casos: una capa de entrada de 400 (20x20) neuronas, una capa oculta de 20 neuronas y una capa de salida con 2 neuronas. La entrada de la red neuronal es una posible roca, normalizada a un tamaño de 20x20 pixeles y habiéndosele aplicado un filtro pasa baja. La capa oculta se fijó en 20 neuronas después de realizar varias pruebas. La activación de una neurona en la salida significa que el patrón (la imagen) es una roca y la activación de la otra neurona de salida significa que no es una roca. La tabla II muestra los resultados durante las pruebas en la mina, antes de que la versión final fuese instalada. Detección correcta significa que una roca bloqueante fue detectada por el sistema. Detección incorrecta significa que se elevó una alarma sin que estuviese presente una roca bloqueante. No detección significa que en presencia de una roca bloqueante la alarma no fue elevada. Cada columna vertical de la tabla II corresponde a una sesión en condiciones reales de funcionamiento. Sólo las sesiones con un número de rocas significativo son presentadas. Es importante notar que los datos no son totalmente objetivos, es el operador el que pone las etiquetas de no deteccion-detección incorrecta-detección correcta. No es posible detener el sistema y medir las dimensiones de la rocas para comprobar que la etiqueta es correcta, pero la experiencia del trabajador responsable de las líneas fue tomada como referencia en el funcionamiento del programa. Dos importantes consideraciones han sido observadas durante las pruebas: primero, se evitaron las situaciones de riesgo y, segundo, sólo se detiene una línea en una situación de roca bloqueante. Así que desde el principio el sistema ayuda al obrero en su trabajo y los objetivos empezaron a ser cumplidos. Tabla II: Resultados de las pruebas iniciales Detección Correcta Detección Incorrecta No Detección Figura 7: Esquema de la red neuronal utilizada PORCENTAJE 100% 80% 60% 40% 20% 0% N1 N2 N3 N4 N5 N6 N7 PRUEBAS REALIZADAS (NOCHE) Se creó una base de datos de 1600 imágenes la mitad de rocas y la otra mitad de no-rocas (polvo, trozos de roca, etc.). De ellas, 1360 se emplearon en el entrenamiento y 240 en la fase de prueba. La Tabla I muestra los resultados de las redes neuronales para imágenes normalizadas a 20x20 y con un filtro pasa baja, con el conjunto de prueba. La red neuronal implementada en el programa fue una PORCENTAJE 100% 80% 60% 40% 20% 0% Detección Correcta Detección Incorrecta No Detección A1 A2 A3 A4 PRUEBAS REALIZADAS (TARDE)

6 Diferentes condiciones de luz fueron estudiadas en las pruebas como puede verse en la tabla II, parte de las pruebas se hicieron por la noche y parte por la tarde. También los valores de los parámetros fueron ajustados en las distintas pruebas. Las pruebas iniciales corresponden a una fase de aprendizaje y al ajuste de los parámetros. Estadísticas posteriores revelan un porcentaje de reconocimiento correcto superior al 70%, que fue el solicitado por ENUSA. El sistema está funcionando a 8 imágenes por segundo (4 imágenes por segundo y por línea), suficiente para controlar los dos alimentadores y precribadores. 5 CONCLUSIONES Diferentes técnicas se han propuesto en la literatura para abordar el problema de reconocimiento de rocas. Este trabajo presenta algunos resultados obtenidos utilizando una mezcla de algoritmos de preprocesamiento de imágenes y de redes neuronales. En la fase de preprocesamiento, la secuencia final considerada es una sucesión de operadores, alguno de los cuales ha sido adaptado a nuestro problema. La salida de la fase de preprocesado es un conjunto de ventanas en la imagen que pueden contener una roca. A continuación, una red neuronal decide si una roca está presente o no. También se han considerado mecanismos para evitar falsas alarmas debidas a agrupaciones de rocas. Los requisitos de tiempo han sido alcanzados y el sistema es capaz de supervisar dos líneas en tiempo real. Una vez que el sistema fue puesto en funcionamiento de forma regular, el trabajador se siente ayudado con él. Sólo una línea ha de ser detenida cuando se bloquea. En la pantalla del ordenador aparecen los dos alimentadores y precribadores en tiempo real, y ambas líneas pueden ser supervisadas con una sola ojeada. Las redes neuronales y los métodos de procesamiento de imágenes, trabajando juntos, mejoran el rendimiento del sistema y el número de falsas alarmas se mantiene bajo. Los problemas derivados de variaciones de luz y polvo en suspensión han sido tenidos en cuenta para construir un algoritmo robusto. El sistema es fácil de operar y trabaja en condiciones reales. Las pruebas muestran que los objetivos han sido cumplidos. Agradecimientos Julián Nieto y Jesús M. Berrocal recibieron una beca de la Junta de Castilla y León. Guido Castro es becario de la Agencia Española de Cooperación Internacional en el Departamento de Informática y Automática de la Universidad de Salamanca. La ayuda de ENUSA y sus trabajadores en Saelices (Salamanca) es también agradecida. Referencias [1] Wen Hsiang Tsai. Moment preserving threshold: A new approach. Computer Vision Graphics and Image processing. 29: [2] N. Otsu. A threshold selection method for gray-level histograms. IEEE Transactions on System, Man And Cybernetics. 9: [3] John C. Russ. The Image processing handbook. CRC Press [4] Peter Corke, Jonathan Roberts and Graeme Winstanley. Vision Based Control for Mining Automation. IEEE Robotics and Automation Magazine. Vol 5, N 4. Pp: Dec [5] R. C. Crida and G. De jager. Rock recognition using feature classification. IEEE South African Symposium on Communications and Signal Procesing. Pp October [6] R. C. Crida and G. De Jager. Rock detection using neural networks. Third South African Workshop on Pattern Recognition. Nov [7] R. Fernandez, E. Viennet, E. Goles, R. Barrientos, M. Telias. On-line coarse ore granulometric analyzer using neural networks. ICANN [8] X. Wu, A. Devgan, R. Hagaman and J. M. Kemeny. Analysis of rock fragmentation using digital image processing. Journal of Geotechnical Engineering. Vol. 119, No. 7, p , 1993 [9] W. X. Wang and O. Stephansson. Automatic selection of fragment images from a moving conveyor belt. Mining Engineering. Pp: 83-88, Aug [10] B. D. Ripley. Pattern recognition and neural networks. Cambridge University Press [11] C. M. Bishop. Neural networks for pattern recognition. Oxford University Press.1995