Está en la página 1de 34

PROYECTO VAMAD

PRESENTACIN DEL PROYECTO VAMAD: DESARROLLO DE SISTEMAS INNOVADORES DE VISIN ARTIFICIAL PARA LA DETECCIN DE DEFECTOS EN SUPERFICIES DE MADERA Y DE MATERIALES DERIVADOS

Autor: Miguel ngel Abin


FIT-170260-2007-1

PROYECTO VAMAD

1. Los defectos en el sector del mueble


En el sector del mueble, la aparicin de defectos en superficies acabadas de madera o de materiales derivados constituye un problema que ocasiona grandes prdidas econmicas, pues a menudo estos defectos no se detectan a tiempo. Hasta el momento, dichas superficies se inspeccionan visualmente, lo cual enlentece la produccin y aumenta los costes de fabricacin y del control de calidad. En la Unin Europea, se calcula que las prdidas econmicas debido a la deteccin tarda de defectos en superficies pintadas, barnizadas y lacadas es de unos 50 millones de uros anuales. Varios estudios indican que las dos principales causas de reclamaciones en el sector del mueble son los defectos derivados del transporte y el deterioro en el acabado (ambas causas suman el 80% de las reclamaciones). Asimismo, la decisin de compra de un determinado mueble se debe en un elevado porcentaje (65%) a la buena apariencia de su acabado.
2

PROYECTO VAMAD

1. Los defectos en el sector del mueble


La lista de defectos es muy larga:
- Crteres - Goteo - Blanqueo (tizado) - Poros - Ojos de pescado - Piel (cscara) de naranja - Clulas de Bnard - Burbujas - Velado (mareado) - Ampollas - Grietas - Descuelgues 3 - Descascarillado (exfoliacin) - Decoloracin (sangrado) - Rotura de la pelcula (crack) - Polvo en la pelcula (contaminacin) - Arrugas (hinchazn, quemado) - Piel (o cscara) de naranja - Rayas - Marcas de lijado - Amarilleo - Desconchados -

PROYECTO VAMAD

1. Los defectos en el sector del mueble

Ejemplos de efectos: (a) amarilleo; (b) ampollas; (c) burbujeo ; (d) arrugas

PROYECTO VAMAD

1. Los defectos en el sector del mueble

Ejemplos de efectos: (a) crter; (b) escamas; (c) escarchado ; (d) goteo 5

PROYECTO VAMAD

2. Objetivos del proyecto

Objetivo 1: Obtener una clasificacin normalizada de los defectos (tipo, tamao y frecuencia) que aparecen en superficies de materiales derivados de la madera, tanto cruda como acabada. Objetivo 2: Definir una valoracin de las superficies en funcin de los defectos que se encuentren en ella. Objetivo 3: Desarrollar una tecnologa altamente innovadora de visin artificial e implementarla en varias empresas del sector madera-mueble de las Comunidades Autnomas participantes. Objetivo 4: Difundir la nueva tecnologa en los sectores de la madera, mueble y derivados.

PROYECTO VAMAD

2. Objetivos del proyecto


Objetivo 1: Obtener una clasificacin normalizada de los defectos (tipo, tamao y frecuencia) que aparecen en superficies de materiales derivados de la madera, especialmente en las acabadas.

1.

Debe realizarse un estudio de los defectos ms relevantes, sus morfologas, tamaos, variaciones y causas a fin de aunar criterios y establecer la plataforma de conocimientos sobre la cual se basar el sistema de VA a la hora de detectar y clasificar anomalas. Debe establecerse un vocabulario comn y no ambiguo para los defectos en acabados, as como definiciones precisas de cada uno.

2.

PROYECTO VAMAD

2. Objetivos del proyecto


Objetivo 2: Definir una valoracin de las superficies en funcin de los defectos que se encuentren en ella.

1.

Para cada producto derivado de la madera, debe definirse la calidad de sus superficies atendiendo a los criterios de los expertos y a las normas europeas pertinentes en los casos en que haya. Ejemplos: EN 635-2:95 y EN 635-3:95 (tableros contrachapados); EN 13489:02 (parquets flotantes); EN 14322:04 y EN 14323:04 (tableros revestidos de melamina). Mediante entrevistas con expertos y encuestas en las empresas deben determinarse cules son los defectos ms usuales y los que ms prdidas econmicas generan. Esos defectos sern prioritarios para ser detectados mediante el sistema de VA.

2.

PROYECTO VAMAD

2. Objetivos del proyecto


UNE-EN 635-2,UNE-EN 635-3. Clasificacin de los defectos de fabricacin para tableros contrachapados (frondosas y conferas).

Tabla de admisin de defectos

PROYECTO VAMAD

2. Objetivos del proyecto


UNE-EN 14322.Tableros revestidos con melamina para utilizacin exterior. Definicin, requisitos y clasificacin. Los defectos de aspecto se detectan y se clasifican segn la norma EN 14323. Las unidades son el mm2/m2 y mm/m2. Los requisitos son, para todo rango de grosor del revestimiento, que hayan 2 o menos puntos defectuosos y su longitud sea 20 mm.

UNE-EN 14323.Tableros revestidos con melamina para utilizacin interior. Mtodos de ensayo Los defectos de aspecto son aquellos que tienen una superficie mnima de 0.8 mm2, y pueden observarse a una distancia de 0.7 m bajo un ngulo de 45. Se miden bajo una fuente de luz difusa, que aporte una iluminacin uniformemente repartida sobre las superficies de entre 2000 y 5000 Lux. Puede ser de luz natural o artificial y la distancia a la superficie de 1,5 metros. 10

PROYECTO VAMAD

2. Objetivos del proyecto


UNE-EN ISO 4628-1. Designacin de la intensidad, cantidad y tamao de los tipos ms comunes de defectos. La cantidad de defectos diseminados sobre el rea de ensayo, con mayor o menor intensidad, se debe asignar de acuerdo con la tabla. El grado se debe expresar con un nmero entero, salvo especificacin contraria.
Grado 0 1 2 3 4 5 Cantidad de defectos Ninguno, es decir, no se detectan defectos Muy pocos, es decir, algunos defectos escasamente significativos Pocos, es decir, pequea, pero significativa cantidad de defectos. Moderado nmero de defectos Considerable nmero de defectos Densa concentracin de defectos

11

PROYECTO VAMAD

2. Objetivos del proyecto


El tamao medio de los defectos debe designarse, si es necesario y significativo, de acuerdo con la siguiente tabla.
Grado 0 1 2 3 4 5 Tamao de defectos No visibles con 10 aumentos. Visibles slo con aumentos de hasta X10. Incipientemente visibles con una visin normal corregida. Claramente visibles con visin normal corregida (hasta 0.5 mm). Desde 0.5 mm a 5 mm. Mayores de 5 mm.

Cuando el rea de ensayo muestre defectos de distintos tamaos, se remite al tamao de los defectos que sean suficientemente numerosos como para poder ser tpicos del rea de ensayo. El tamao de los defectos se debe registrar utilizando la designacin Sn, donde S indica tamao y n el nmero de grado. Ej. Defecto mayor de 5 mm S2. 12

PROYECTO VAMAD

2. Objetivos del proyecto


Para designar la intensidad de cambio de los defectos se usa la tabla siguiente, que hace referencia a la intensidad de deterioro uniforme en la apariencia (visual) del recubrimiento, tales como cambios de color (por ejemplo, el amarilleo). Los grados se expresan con un nmero entero. Grado 0 1 2 3 4 5 Intensidad del cambio Inalterado, es decir, ningn cambio perceptible. Muy ligero, es decir, cambio incipientemente perceptible. Ligero, es decir, cambio claramente perceptible. Moderado, es decir, cambio muy claramente perceptible. Considerable, es decir, cambio pronunciado. Cambio muy intenso.

El tipo de defecto, la cantidad presente y su tamao se deben expresar como en los siguientes ejemplos: Ampollamiento: grado de ampollamiento 2(S2) Descamacin: grado de descamacin 3(S2). 13

PROYECTO VAMAD

2. Objetivos del proyecto


UNE-EN ISO 4628-2. Evaluacin del grado de ampollamiento. La cantidad y el tamao de las ampollas en un recubrimiento de pintura se evalan utilizando las fotografas de la calibracin bajo una buena iluminacin. Calibracin mediante un sistema visual Calibracin con sistema de imgenes pticas

14

PROYECTO VAMAD

2. Objetivos del proyecto


UNE-EN ISO 4628-4. Evaluacin del grado de agrietamiento. La cantidad y el tamao de las grietas en un recubrimiento de pintura se evalan utilizando las fotografas de la calibracin bajo una buena iluminacin. Calibracin de arrugas sin direccin preferente Calibracin de arrugas con direccin preferente

Calibracin de arrugas de forma sigmoidal 15

PROYECTO VAMAD

2. Objetivos del proyecto


Objetivo 3: Desarrollar una tecnologa altamente innovadora de visin artificial e implementarla en varias empresas del sector madera-mueble de las Comunidades Autnomas participantes.

El objetivo principal del proyecto es desarrollar un sistema de visin artificial automatizado e innovador para la deteccin de defectos en superficies de madera maciza y de tableros derivados de la madera (fundamentalmente aglomerados de partculas y de fibras MDF rechazados o melaminizados, pero tambin contrachapados y alistonados). La inspeccin de superficies acabadas es difcil debido al gran nmero de posibles defectos y a que muchos de ellos slo pueden detectarse correctamente si la superficie de inters se estudia desde distintas direcciones de iluminacin. Una imagen de un defecto desde un determinado ngulo de iluminacin puede ocultar el defecto o hacerlo indetectable por las tcnicas convencionales. Tanto las superficies de madera como las de roca pulida o las metlicas de alta precisin son superficies no cooperativas (superficies muy reflectantes).
16

PROYECTO VAMAD

2. Objetivos del proyecto


En general, disear un sistema de visin artificial es una tarea multidisciplinar que abarca los siguientes aspectos: 1) preparacin de las muestras; 2) presentacin de las muestras a la cmara; 3) iluminacin; 4) ptica; 5) adquisicin de la imagen; 6) procesado de seales analgicas y digitales; 7) arquitectura de sistemas informticos; 8) software; 9) interfaz del sistema de visin con otras mquinas; 10) conexin en red; 11) interfaz con el usuario; 12) prcticas de seguridad y calidad.

17

PROYECTO VAMAD

2. Objetivos del proyecto


Objetivo 4: Difundir la nueva tecnologa en los sectores de la madera, mueble y derivados.

1.

Deben prepararse materiales de difusin (folletos, trpticos, notas de prensa, artculos cientficos o tcnicos) del proyecto y sus resultados. Deben difundirse los resultados entre las empresas de madera y materiales derivados (mediante seminarios, jornadas tcnicas, revistas sectoriales, recintos en ferias, etc.). Al final del proyecto, debe prepararse material para formar a los tcnicos de las empresas en el uso del sistema de VA.

2.

3.

18

PROYECTO VAMAD

3. Base tcnica del proyecto


El sistema de visin artificial puede describirse como la fusin de las siguientes tcnicas del rea del procesamiento digital de imgenes y del tratamiento de seales: 1) 2) 3) 4) Tcnicas de iluminacin Mtodos de fusin de datos Mtodos de reconocimiento de patrones mediante invariantes Clasificador de aprendizaje supervisado

19

PROYECTO VAMAD

3. Base tcnica del proyecto


Nmero de imgenes

Serie de imgenes:

20

PROYECTO VAMAD

3. Base tcnica del proyecto


Cmara

Deteccin por modelado r

Superficie barnizada

21

PROYECTO VAMAD

m(x ,r ) =

1 rint x x 0 rext
0 woanders

rint = r , rext = c r ,

x 0 = (2r + w ,2r + w

w, c > 0

t (x , ,r ) = m(x ,r ) h(x , ,r )

x xp 1 2 e 2 h(x , ,r ) = 2 2 r r T x p = x 0 ext int (sin ,cos ) 2 360 = q rint sin , q > 0 2B

Deteccin por modelado

22

PROYECTO VAMAD

Filtro de correlacin

g (x ) = c o(x x 0 ) + r (x )

g (x )o(x x

)dx

g ( x ) o( x )

= Es mximo para: = x 0 o(x)

g (x )

Mximo para: x = x o Filtro de correlacin V ( f ) = O (f ) v( x ) = o( x )


23

o(x )

PROYECTO VAMAD

Filtro de correlacin usando modelos

A. Prez, M. Abin, F. Puente Len and R. Prez. Detection of circular defects on varnished or painted surfaces by image fusion. Proceedings of the IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems, pginas 255-260, 36 Septiembre 2006, Heidelberg. 24

PROYECTO VAMAD

3. Base tcnica del proyecto


Caractersticas invariantes
La idea de construir caractersticas invariantes a rotaciones y traslaciones basadas en integracin consiste en aplicar funciones de kernel no lineales f(I) a imgenes en escala de grises (I) y en integrar el resultado sobre todas las posibles rotaciones y traslaciones:

donde Tlfl(I) es la caracterstica invariante de la imagen; M y N son las dimensiones de la imagen; y g es un elemento del grupo de transformaciones G. La ecuacin anterior sugiere que las caractersticas invariantes se pueden calcular aplicando la funcin no lineal f a las vecindades de cada pxel en la imagen y luego sumando todos los resultados para obtener un solo valor que represente la caracterstica invariante.
25

PROYECTO VAMAD

3. Base tcnica del proyecto


Caractersticas invariantes

Ejemplo de una funcin de kernel de tipo monomio: f(I) = I(0,3) x I (0,6) El valor en escala de grises de un punto en el crculo de radio r=3 alrededor de (n0, n1) se multiplica por el valor en escala de grises de un punto sobre el crculo de radio r=6. Se considera tambin un desplazamiento de 90 entre los puntos.
26

PROYECTO VAMAD

Integral de Haar
Imagen:

Transformacin:

Caracterstica invariante (integral de Haar):

Grupo eucldeo 2D:

27

PROYECTO VAMAD

3. Base tcnica del proyecto


SUPPORT VECTOR MACHINE (SVM) Tcnica para clasificacin y regresin. Mtodo de aprendizaje supervisado. Usa un conjunto de ejemplos para entrenamiento. Solucin nica. Robusto a ruido, multiples dimensiones y redundancia en las dimensiones. SVM usan modelos lineales para implementar clases con separaciones no lineales. Se transforma la entrada utilizando una transformacin no lineal; es decir, transforma el espacio de entrada en un nuevo espacio.

28

PROYECTO VAMAD

3. Base tcnica del proyecto


SUPPORT VECTOR MACHINE (SVM)

Posibles fronteras de decisin para datos linealmente separables 29

PROYECTO VAMAD

3. Base tcnica del proyecto


SUPPORT VECTOR MACHINE (SVM)
Objetivos de la SVM:

Dado un conjunto de ejemplos de entrenamiento, construir un hiperplano w como superficie de decisin. De tal forma que la separacin de las dos clases sea mxima (principio de generalizacin).

30

PROYECTO VAMAD

3. Base tcnica del proyecto


SUPPORT VECTOR MACHINE (SVM)
b11 B2 B1 b12

Margen de decisin
31

PROYECTO VAMAD

3. Base tcnica del proyecto


SUPPORT VECTOR MACHINE (SVM)
Ventajas de la SVM:

El entrenamiento es relativamente fcil. No hay ptimo local, como en las redes neuronales. Se escalan relativamente bien para datos en espacios dimensionales altos. El compromiso entre la complejidad del clasificador y el error puede ser controlado explcitamente. Datos no tradicionales como cadenas de caracteres y rboles pueden ser usados como entrada a la SVM, en vez de vectores de caractersticas.

32

PROYECTO VAMAD

3. Base tcnica del proyecto


Propuesta para el prototipo de laboratorio del sistema de VA
Cmara Iluminacin XY- Plataforma Arco fijo Arco mvil Iluminacin

Plato mvil

33

PROYECTO VAMAD

4. Estructura del proyecto


AIDIMA y CETEM: conocimiento de madera y materiales derivados (y sus defectos) Definicin de defectos para detectar, recopilacin de muestras y pruebas del sistema Sistema final instalado en la industria Prototipo industrial AIDO: conocimiento de tcnicas tradicionales de visin artificial y experiencia en prototipos de VA

UPMunich (subcontrat.): conocimiento de tcnicas innovadoras de visin artificial Prototipo de laboratorio AIN: conocimiento de los problemas de los prototipos y experiencia en integracin industrial de prototipos de VA Instalacin del prototipo industrial en empresas
34