Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS
P R E S E N T A:
DIRIGIDA POR:
i
2.4.5.5 El fondo 35
2.5 Preprocesado 36
2.6 Segmentación 37
2.7 Arroz y caracteristícas 38
2.7.1 Especificaciones 39
2.8 Sumario. 42
3. Diseño Conceptual. 44
3.1 Identificación del cliente 44
3.1.1 Determinación de los requerimientos y expectativas del cliente 45
3.1.2 Clasificación de los requerimientos 45
3.1.3 Importancia relativa de los requerimientos de calidad 48
3.1.4 Traducción de los requerimientos de los clientes en términos mesurables 49
3.1.5 Metas de diseño 49
3.1.6 Plan de calidad 51
3.2 Desarrollo del diseño conceptual 53
3.2.1 Función global de servicio del sistema 53
3.2.2 Análisis funcional descendente 53
3.2.2.1 Primer nivel de descomposición funcional 54
3.2.2.2 Segundo y tercer nivel de descomposición funcional 54
3.3 Descripción del equipo para la implementación del sistema 56
3.4 Descripción general del proceso 64
3.5 Sumario. 66
4. Diseño a detalle. 68
4.1 Partes principales del sistema de inspección y rechazo 68
4.2 Adquisición de la imagen 68
4.3 Procesamiento de la imagen 72
4.4 Toma de decisiones 83
4.5 Diseño de la interfaz 88
4.6 Circuito de Acoplamiento de Señales 90
4.7 Diagrama neumático para la etapa de rechazo 92
4.8 Sumario. 94
5. Análisis de Resultados 96
5.1 Análisis de resultados para la etapa de adquisición de imágenes 96
5.2 Análisis de resultados para la etapa de Procesamiento de imágenes 98
5.2.1 Datos obtenidos después del procesamiento de la imagen 103
5.3 Análisis de resultados: toma de decisiones y control para la etapa de rechazo 104
ii
5.3.1 Tiempo de caída libre 107
5.4 Análisis del desempeño del control y actuadores 109
5.4.1 Análisis del tiempo de conmutación on/off 111
5.5 Análisis del porcentaje de granos interceptados 113
5.6 Análisis del peso promedio de granos fuera de especificación 115
5.7 Sumario 116
Conclusión 117
Trabajos a futuro 118
Referencias 119
Anexos 122
iii
Índice de Figuras
Figura 1.1 Inspección repetitiva en la industria alimentaria 4
Figura 1.2 Análisis de iamgen a frutas con hueso 6
Figura 1.3 Inspección de la madurez del tomate 6
Figura 1.4 Inspección de la calidad de distintos vegetales 7
Figura 1.5 Inspección automática y control de calidad de pollo y en cortes de carne de cerdo 9
Figura 1.6 Inspección de la estructura interna del pan 10
Figura 1.7 Estimación de características físicas de galletas 11
Figura 1.8 Granos de una sola especie 12
Figura 1.9 Envasado automático mediante robot y sistema de visión 14
Figura 2.1 Fases de en el proceso de visión para un ordenador y el hombre 17
Figura 2.2 Diagrama de bloques de las etapas de un sistema de visión artificial 23
Figura 2.3 Diagrama de flujo de las etapas de un sistema de visión artificial 23
Figura 2.4 Diagrama de bloques de un sistema de visión artificial 24
Figura 2.5 Esquema de un sistema de visión artificial 25
Figura 2.6 Sistema óptimo de captura de imagen mediante arquitectura INTEL y buses PCI 30
Figura 2.7 Tipos de iluminación: a) frontal y b) retro iluminación 32
Figura 2.8 Retro iluminación: a) proyección sobre una pantalla, b) iluminación del fondo 33
Figura 2.9 Iluminador anular 35
Figura 2.10 Iluminador lineal 35
Figura 2.11 Iluminador de panel 35
Figura 2.12 Variedades de arroz 41
Figura 2.13 Contaminantes y defectos típicos en el arroz 41
Figura 3.1 Vista superior de los silos en la arrocera. El Porvenir 44
Figura 3.2 Diagrama funcional de mayor nivel en el sistema 52
Figura 3.3 Funciones primarias del sistema 54
Figura 3.4 Función transporte del producto 54
Figura 3.5 Función de inspección del producto 55
Figura 3.6 Función rechazo del producto 55
Figura 3.7 Función monitoreo del proceso 56
Figura 3.8 Banda transportadora empleada en el proceso 57
Figura 3.9 Motorreductor para banda transportadora 58
Figura 3.10 Sensor óptico (Camara COGNEX DVT 535) 59
Figura 3.11 Tarjeta NI PCIe-8231 59
Figura 3.12 Estación de trabajo 60
iv
Figura 3.13 Software LabView 61
Figura 3.14 Tarjeta de adquisición de datos NI-USB 6009 61
Figura 3.15 Tarjeta de acoplamiento de señales 5-24 V 62
Figura 3.16 Boquillas de aspersión Windjet AA707 62
Figura 3.17 Electroválvula FESTO y símbolo normalizado 63
Figura 3.18 Diagrama de proceso 65
Figura 4.1 Diagrama de proceso por etapas 69
Figura 4.2 Algoritmo adquisición de la imagen (Evento). 70
Figura 4.3 Algoritmo de control para la etapa de adquisición de la imagen 70
Figura 4.4 Diagrama de operación 71
Figura 4.5 Algoritmo general para la etapa del procesamiento de la imagen 73
Figura 4.6 Diagrama general de operación del sistema 73
Figura 4.7 Algoritmo. Operación morfológica No. 1 Brillo y contraste de la imagen 74
Figura 4.8 Algoritmo. Operación morfológica No. 2 y 3 Apertura de la imagen y erosión 74
Figura 4.9 Algoritmo. Operación morfológica No. 4 Remover objetos de los bordes 75
Figura 4.10 Algoritmo. Operación morfológica 6 y 7; secuencia 1 75
Figura 4.11 Algoritmo. Operación morfológica 6 y 7; secuencia 2 76
Figura 4.12 Algoritmo. Operación morfológica 6 y 7; secuencia 3 76
Figura 4.13 Algoritmo. Operación morfológica 6 y 7; secuencia 4 77
Figura 4.14 Algoritmo. Operación morfológica 6 y 7; secuencia 5 77
Figura 4.15 Algoritmo. Operación morfológica 6 y 7; secuencia 6 78
Figura 4.16 Algoritmo. Operación morfológica 6 y 7; secuencia 7 78
Figura 4.17 Algoritmo. Operación morfológica 6 y 7; secuencia 8 79
Figura 4.18 Algoritmo. Operación morfológica 6 y 7; secuencia 9 79
Figura 4.19 Arreglos de datos para desplegar resultados 80
Figura 4.20 Algoritmo operación morfológica 6 y 7; secuencia 10 81
Figura 4.21 Algoritmo operación morfológica 6 y 7; secuencia 11 82
Figura 4.22 Algoritmo operación morfológica 6 y 7; secuencia 12 82
Figura 4.23 Integración sistema de inspección y sistema de rechazo 83
Figura 4.24 Algoritmo de control; secuencia 1 84
Figura 4.25 Algoritmo de control; secuencia 2 84
Figura 4.26 Algoritmo de control; secuencia 3 85
Figura 4.27a. Algoritmo de control; secuencia 4 86
Figura 4.27b. Algoritmo de control; secuencia 4 87
Figura 4.28 Algoritmo de control; secuencia 5 88
Figura 4.29 Panel frontal. Imágenes procesadas 89
v
Figura 4.30 Panel frontal. Segunda parte 90
Figura 4.31 Diagrama electrónico del circuito de acoplamiento de señales 5-24 Vcd 91
Figura 4.32 Diagrama PCB del circuito de acoplamiento de señales 91
Figura 4.33 Opto acoplamiento de 5V a 24V 92
Figura 4.34 Diagrama neumático para el control de aire en la etapa de rechazo 93
Figura 4.35 Válvula Jet MHJ9 de FESTO 93
Figura 5.1 Imagen adquirida con iluminación tipo incandescente 97
Figura 5.2 Imagen adquirida con iluminación tipo led 97
Figura 5.3 Imagen adquirida con iluminación tipo fluorescente 97
Figura 5.4 Imagen adquirida resolución 640x480 pixeles 98
Figura 5.5 Aplicación de la primera operación morfológica: Brillo y contraste 98
Figura 5.6 Aplicación de la segunda operación morfológica: Apertura de imagen 99
Figura 5.7 Aplicación de la segunda operación morfológica: Erosión 99
Figura 5.8 Aplicación de filtro. Conversión a imagen binaria 100
Figura 5.9 Aplicación de la cuarta operación morfológica: Remover objetos de los bordes 100
Figura 5.10 Aplicación de la quinta operación morfológica: Separar objetos 101
Figura 5.11 Aplicación de la sexta operación morfológica: Detectar el total de objetos 102
Figura 5.12 Aplicación de la séptima operación morfológica: Detectar objetos 102
Figura 5.13 Datos obtenidos después del procesamiento de las imágenes 103
Figura 5.14 Total de granos rechazados en una muestra de 20 imágenes analizadas 104
Figura 5.15 Cuadro de la imagen dividida en ocho partes iguales sobre el eje x 105
Figura 5.16 Pixel ubicado en la parte central de cada grano 105
Figura 5.17 Distancia de recorrido para granos procesados 106
Figura 5.18 Tiempos que existen entre un grano y otro 107
Figura 5.19 Tiempos de accionamiento para una imagen analizada con 14 objetos detectados 108
Figura 5.20 Gráfica del número de accionamientos por segundo de la electroválvula A 109
Figura 5.21 Gráfica del número de accionamientos por segundo de la electroválvula C 109
Figura 5.22 Gráfica del número de accionamientos por segundo de la electroválvula E 110
Figura 5.23 Gráfica del número de accionamientos por segundo de la electroválvula G 110
Figura 5.24 Gráfica de tiempos mínimos de conmutación requeridos en el proceso 111
Figura 5.25 Tiempo de conmutación de electroválvula MHJ9 112
Figura 5.26 Sistema de intercepción de granos compuesto por electroválvulas y boquillas 112
Figura 5.27 Total de granos detectados e interceptados 113
Figura 5.28 Resultados de la segunda inspección realizada a granos interceptados 113
Figura 5.29 Sistema de inspección por visión artificial y rechazo de producto 114
Figura 5.30 Gráfica: Promedio del peso de granos rechazados 115
vi
Índice de Tablas
Tabla 2.1 Clasificación de granos de arroz 39
Tabla 2.2 Especificaciones para los distintos grados de calidad del arroz mexicano 40
Tabla 3.1 Determinación de los requerimientos y expectativas del cliente 45
Tabla 3.2 Identificación de Requerimientos de Calidad, Obligatorios y Deseables 47
Tabla 3.3 Identificación de Requerimientos de Calidad Deseables 48
Tabla 3.4 Matriz de Importancia Relativa en los Requerimientos Deseables 49
Tabla 3.5 Traducción de los Requerimientos de Calidad a Requerimientos de Ingeniería 50
Tabla 3.6 Nivel de satisfacción de los requerimientos 51
Tabla 3.7 Nivel de calidad establecido para los requerimientos del sistema 52
Tabla 3.8 Dimensiones banda transportadora 57
Tabla 3.9 Características del motorreductor requerido en banda transportadora 57
Tabla 3.10 Especificaciones sensor óptico serie 600 58
Tabla 3.11 Especificaciones tarjeta NI PCIe-8231 59
Tabla 3.12 Características de la estación de trabajo 60
Tabla 3.13 Características de la DAQ 61
Tabla 3.14 Características de Boquilla AA707 63
Tabla 3.15 Especificaciones de electroválvula FESTO 63
Tabla 5.1 Rango para la inspección del producto 101
Tabla 5.2 Valores relevantes para la etapa de inspección de granos 104
Tabla 5.3 Peso del grano de arroz en una muestra de veinte unidades 115
vii
Resumen.
Este trabajo de investigación presenta el desarrollo y la implementación de un sistema automático de
inspección por visión artificial enfocado a la caracterización morfológica de arroz como indicador
de calidad comercial. Así también se presenta el desarrollo de un sistema de rechazo el cual opera
bajo el principio de intercepción de granos en caída libre. El sistema de visión artificial está
integrado por un conjunto dispositivos encargados de capturar imágenes, procesarlas y así detectar
granos que no cumplen con los requerimientos de calidad preestablecidos. El sistema se implementa
en su totalidad en una plataforma LabVIEW, el cual procesa los datos obtenidos del sistema de
visión y procede a tomar ciertas decisiones, para así activar la etapa de rechazo, la cual opera con un
sistema de boquillas de aspersión; estas producen un patrón de aspersión redondo, cerrado y dirigido
con niveles mínimos de ruido y por periodos intermitentes. El sistema en su totalidad esta
monitoreado a través de una interfaz gráfica, que le permite al usuario conocer el estado de
inspección del proceso y modificar parámetros de calidad del producto, así como modificar la
velocidad de inspección. Con este proyecto se busca proveer al sector agrícola de técnicas más
avanzadas que sean capaces de competir en este sector; y se contribuya de esta forma a elevar la
rentabilidad del campo en México; obteniendo productos con mejores características y de elevada
calidad.
viii
Abstract.
This research work, presents the development and implementation of an automated machine vision
inspection focused on the morphological characterization of rice as an indicator of commercial
quality. This also presents the development of a rejection system which operates under the principle
of interception of grains in free fall. The vision system consists of a set charge devices to capture
images, process them and thus detect grains that do not meet predetermined quality requirements.
The system is fully implemented in a LabView platform, which processes data from the vision
system and proceeds to make certain decisions in order to activate the rejection stage, which
operates a system of spray nozzles, they produce round spray pattern, closed and managed with
minimal noise and intermittent periods. The entire system is monitored through a graphical interface
that allows the user to know the inspection status of the process and modify the product quality
parameters and change the speed of inspection. This project seeks to provide more advanced
techniques the agricultural sector that are able to compete in this one, and thereby contributes to
improving the profitability of the field in Mexico, obtaining products with better features and high
quality.
ix
Objetivo General.
Desarrollar un sistema eficaz que permita identificar, seleccionar y desechar granos fuera de
especificación dentro de una población que presenta cierta homogeneidad en su contenido;
mediante la adecuación de un sistema automático de inspección por visión artificial enfocado a la
caracterización morfológica de granos de arroz.
x
Justificación.
El Desarrollo de un sistema eficaz para inspección de granos y materiales ajenos a éste, sin duda
tendrá la capacidad de elevar la calidad del producto que se consume actualmente en México,
buscando así la satisfacción total del cliente y el aumento del consumo de este producto, lo que se
traduciría en un incremento de la demanda, para así elevar la rentabilidad del campo.
El asunto más sensible para México en su relación comercial con Estados Unidos, ha sido siempre la
agricultura, dado que ese país ofrece ingentes subsidios a sus campesinos.
En los 14 años que han transcurrido desde la entrada en vigor del TLCAN, se han desgravado más
de 1,100 fracciones arancelarias de productos agropecuarios, un proceso que concluyo el primero de
enero de 2008 con la liberación total de granos como el maíz, fríjol, arroz entre otros.
De aquí la importancia para desarrollar técnicas más avanzadas que sean capaces de competir en
este sector; y se contribuya de esta forma a elevar la rentabilidad del campo en México;
obteniendo productos con mejores características y de elevada calidad; en primera instancia para el
consumo nacional, y así también con fines de exportación para poder competir en mercados
internacionales.
xi
Planteamiento del problema.
Para el año 2020 la población mundial alcanzará 8 mil millones de habitantes. El papel de la
agricultura por lo tanto ha llegado a ser cada vez más crucial en la provisión de alimentos, el manejo
ambiental y el abastecimiento de energía. La naturaleza intrínsecamente compleja, dinámica, y no
lineal de los sistemas agropecuarios ha requerido siempre las soluciones basadas en técnicas y
tecnologías avanzadas, para proporcionar mayor exactitud, una mayor comprensión y soluciones
apropiadas.
El uso de la inteligencia artificial (visión artificial, robótica y control, sistemas expertos, sistemas de
ayuda de decisión, entre otros); han demostrado proporcionar enormes soluciones a los problemas
en sectores agrícolas complejos de manera eficaz.
El análisis y clasificación de granos con fines selectivos son procesos fundamentales en las
actividades que contribuyen a añadir valor a la producción de cultivos, este proceso está enfocado a
separar, cuantificar y determinar el porcentaje de daños, defectos y cualquier otro elemento que
afecte la calidad de los granos.
Estas tareas son realizadas por una serie de procedimientos lentos y en su mayoría ineficientes, los
cuales no tienen la capacidad de ofrecer una excelente calidad del grano que se comercializa
actualmente en México.
La visión artificial es una técnica relativamente nueva que está experimentando en los últimos años
un auge importante entre las aplicaciones industriales, especialmente, en el sector agroalimentario.
En este sentido, en los últimos años, la visión por ordenador ha sido muy atractiva para la industria
de la alimentación y la agricultura, con un rápido crecimiento en la inspección por calidad y en la
clasificación y evaluación de un amplio rango de productos agrícolas y alimentarios.
Sin embargo, a pesar del importante número de investigaciones teóricas y sobre equipos que existían
sobre este tema, el porcentaje relativo de penetración en la industria alimentaría es bajo en
comparación con el de otros sectores, por lo que es un área de gran expansión en el futuro.
xii
De ahí el interés en desarrollar la posible aplicación de la visión artificial en los procesos de
clasificación y en el control de la calidad de los productos alimentarios, específicamente en granos,
mediante un sistema de visión artificial que no disponga de herramientas específicas para esta
aplicación. En suma, se trata de conseguir una inspección objetiva, automática, rápida e higiénica de
granos con la finalidad lograr obtener una caracterización de arroz como indicador de calidad comercial.
xiii
1
ESTADO DEL ARTE
1
Estado del Arte
Se puede definir al término Inteligencia artificial (IA), como la ciencia que tiene por objetivo el
diseño y construcción de máquinas capaces de imitar el comportamiento inteligente de las personas.
Puede decirse que es una de las áreas más fascinantes y con más retos de las ciencias de la
computación. Nació en la década de los 50´s como un estudio filosófico de la inteligencia que
buscaba imitar la inteligencia humana, tuvo un gran interés en la década de los 60´s, en la década de
los 70´s y 80´s se realizaron las primeras aplicaciones comerciales que aplicaban la IA dando
creación a los Sistemas expertos, en este periodo surgieron a flote las limitaciones de los sistemas
con IA por lo que hubo un periodo de decepción, a partir de la década de los 90´s se conoce como la
era moderna. Actualmente, se está en una etapa de redefinición donde se da prioridad a la
comprensión de la Inteligencia Humana, existe un auge por el redescubrimiento de la Redes
Neuronales, Sistemas Expertos y la Lógica Difusa, y el surgimiento de nuevas aplicaciones como la
Minería de Datos, Computación Evolutiva y los Sistemas Multi-agentes.)
Para (Bustos J.R, 2005) la visión artificial es una rama de la inteligencia artificial que tiene por
objeto modelar la imagen digital suministrada por un sistema de adquisición de imágenes, con el fin
de que un ordenador sea capaz de interpretarla y utilizarla como base para la toma de decisiones.
La ciencia informática camina actualmente hacia la creación de computadoras cada vez más rápidas,
más expertas y más autónomas. Una de las empresas más ambiciosas consiste en dotar a los
ordenadores de la facultad de relacionarse con su entorno del mismo modo que lo hace un humano
esto es a través de los sentidos, proporcionar capacidad sensorial a un ordenador es una tarea difícil
ya que entran en juego elementos accesorios al microprocesador, como son los sensores, las tarjetas
adaptadoras de señal o el ruido del entorno. A pesar de los muchos inconvenientes, existe hoy un
interés especial por dotar a los ordenadores de uno de los cinco sentidos del hombre: la habilidad de
ver. Mientras que el resto de los sentidos humanos no despierta interés, la visión artificial se aplica
ya en procesos industriales en los que la simple detección de presencia no resulta una fuente de
información suficiente.
2
Estado del Arte
(Espinoza, 2006) menciona que la visión artificial es una disciplina que engloba todos los procesos y
elementos que proporcionan ojos a una máquina y se podría decir que: la visión artificial o
comprensión de imágenes describe la deducción automática de la estructura y propiedades de un
mundo tridimensional, posiblemente dinámico, bien a partir de una o varias imágenes
bidimensionales de ese mundo. Las estructuras y propiedades del mundo tridimensional que se
quieren deducir en visión artificial incluyen no sólo sus propiedades geométricas, sino también sus
propiedades materiales. Ejemplos de propiedades geométricas son la forma, tamaño y localización
de los objetos. Y en cuanto a propiedades de los materiales se tiene el color, iluminación, textura y
composición. Si el mundo se modifica en el proceso de formación de la imagen, se necesitará inferir
también la naturaleza del cambio, e incluso predecir el futuro.
La visión, tanto para un hombre como para un ordenador, consta principalmente de dos fases: captar
una imagen e interpretarla. A pesar de la complejidad que presenta el ojo humano, la fase de
captación de imágenes hace mucho tiempo que está resuelta. El ojo del ordenador es la cámara de
vídeo, y su retina un sensor que es sensible a la intensidad luminosa. Así que en la visión artificial lo
que resta es interpretar las imágenes, distinguir los objetos de la escena, extraer información de ellos
y resolver aspectos más particulares según las necesidades que se deseen satisfacer.
La interpretación de tramas complejas, sin embargo, es una capacidad reservada al cerebro humano.
Para que un ordenador fuera capaz de analizar directamente una imagen cruda, sin procesar, haría
falta una estructura de procesadores a modo de neuronas, además de una ingente cantidad de
información de los objetos y las formas.
Para evitarlo, lo que se hace es reducir la complejidad de la trama. Para el ordenador resultará más
difícil distinguir objetos que se encuentren sobre un fondo con una trama del mismo tono y
proyecten una sombra definida, que reconocerlos sobre un fondo plano que contraste con su color
frontal. Es por ello que una de las más amplias ramas de la visión artificial está guiada precisamente
a simplificar las imágenes, eliminar el ruido introducido por los sensores y facilitar, en definitiva, la
tarea de interpretación.
Las tareas de pre procesado consisten en algoritmos matemáticos que calculan nuevas intensidades
luminosas para los pixeles y la mayoría, aunque sencillos, consumen gran cantidad de tiempo de
cálculo, tanto mayor cuanta más resolución tenga la imagen. Esto representa un inconveniente
3
Estado del Arte
cuando se pretende que el ordenador sea capaz de ver en tiempo real, es decir, que responda de
forma casi instantánea a como se producen las imágenes frente a sus ojos. Para que un sistema
funcione en tiempo real es necesario estudiar todos los métodos posibles y la forma de realizarlos
con la menor carga computacional posible.
Tal como se describe en (Espinoza, 2006) actualmente la visión computacional está en fase de
crecimiento. Dada la enorme complejidad de ésta, se van solucionando, por etapas, problemas cada
vez más complicados. Actualmente, las líneas de estudio e investigación se dividen en múltiples
campos como son la visión tridimensional, la segmentación y agrupamiento de múltiples objetos
diferentes en entornos no controlados.
La visión artificial tiene múltiples aplicaciones en la industria agroalimentaria, sobre todo para la
realización de tareas que tengan un carácter repetitivo. (Figura 1.1), y que se realicen a alta
velocidad. Las oportunidades para la introducción de la visión artificial se encuentran
principalmente en tareas de inspección, selección de productos, control de calidad, embalaje y
monitorización de procesos.
4
Estado del Arte
En (Gunasekaran, 1994) se expone que los sistemas de visión artificial se emplean cada vez más en
la industria agroalimentaria para realizar principalmente inspecciones de calidad, ya que ofrecen el
potencial necesario para automatizar las prácticas manuales de selección a la vez que estandarizan
las técnicas y eliminan las costosas tareas humanas de inspección. Su mayor ventaja es su habilidad
de ser objetiva y consistente durante largos periodos de tiempo. La objetividad de la visión humana
sufre ciertas limitaciones inherentes a nuestra percepción visual.
En (GIRO, 2007) se presenta que los sistemas de inspección de alimentos frescos en Europa tienen
una gran aceptación y difusión. La adopción de estos sistemas ha venido determinado
principalmente por dos factores: el envejecimiento de los trabajadores, que tiene como resultado el
hecho de que haya menos personas disponibles para este tipo de trabajo de clasificación, y los altos
costos laborales en los países desarrollados.
Consecuentemente ha habido, en los últimos años, un gran número de compañías, que han fabricado
máquinas de clasificación de alimentos en los países desarrollados, pero que a su vez empiezan a
exportarlas a los países en vías de desarrollo, ya que el producto clasificado, habitualmente, tiene su
mercado en Europa y Estados Unidos y estos países solicitan la máxima calidad.
Se puede distinguir entre dos tipos de mercados para este sector, uno relacionado con los alimentos
frescos, y otro con los alimentos secos, y que requieren de procesos posteriores como el
empaquetado, enlatado entre otros. Sin embargo se ha tenido un mayor desarrollo en alimentos
frescos.
5
Estado del Arte
(Shaw, 1990) desarrolló un algoritmo para clasificar productos frescos por visión, demostrando su
efectividad en la clasificación de pimientos. La información del color era extraída de las imágenes y
se aplicaba una aproximación estadística para clasificar el producto de acuerdo con el color y los
daños.
En (Singh, 1992) se expone un sistema de análisis de imagen para evaluar el color de frutas de hueso
(ver figura 1.2), los algoritmos fueron desarrollados para la clasificación en línea de la madurez de
melocotones de mercado. La clasificación por análisis de imagen coincidió con la manual en un 46%
de los casos y con estándar de color en un 75% de las muestras.
(Choi, 1995) estudio la madurez del tomate fresco clasificándolo en 6 estados de madurez según los
estándares de clasificación de USDA (United States Department of Agriculture), tal como se
muestra en la figura 1.3, un índice de madurez de tomate en cada etapa fue desarrollado y así se
proporcionaba un índice continuo sobre el rango completo de madurez. Los resultados de
clasificación coincidieron con el sistema manual en un 77% de los casos y todas las muestras fueron
clasificadas con una diferencia de una etapa de madurez.
6
Estado del Arte
Años más tarde, (Moltó, 1998) realizó un estudio enfocado a técnicas de análisis de imagen para
medir algunos parámetros que definen la calidad de diferentes frutas y vegetales, como se observa
en la figura 1.4, las áreas parcialmente coloreadas que aparecen en algunas variedades de vegetales
eran correctamente localizadas y se estimó su tamaño. Las coordenadas del color de tomates rojos y
verdes estaban bien relacionados con respecto a los valores colorimétricos estándar, además las
áreas dañadas fueron correctamente detectadas en naranjas y por otro lado la localización del tallo
en naranjas y melocotones es exacta.
(Moltó, 2000), también intento determinar el tamaño, color, forma y defectos en cítricos. El sistema
estimaba el tamaño con un error de menos de 2 mm. El 94% de la fruta era correctamente clasificada
en categorías por color.
Ya aplicado a otros productos en (Diaz, 2000), se empleó un sistema de visión para desarrollar los
parámetros de calidad de aceitunas relacionado con sus características fisicoquímicas, para el
desarrollo de un rápido y eficiente algoritmo que sería incorporado a un sistema automático de
7
Estado del Arte
clasificación. El análisis colorimétrico indicó que había suficientes diferencias en las coordenadas de
color e intensidad entre las clases de aceitunas como para usar este sistema.
Más tarde (Leemans, 2002) presento un sistema de clasificación para manzanas en 4 clases según los
estándares Europeos. Estudio las variedades Golden Delicious y Jona gold. Se dieron 6 pasos:
adquisición de la imagen, clasificación por color mayoritario, segmentación de defectos,
reconocimiento tallo/cáliz, caracterización de defectos y clasificación final en 5 clases de calidad. El
método propuesto obtuvo una tasa de clasificación correcta de un 78 y 72% respectivamente.
En el mismo año (Bulanon, 2002) desarrollo un algoritmo para el reconocimiento de manzanas Fuji
en el árbol, para instalar en un robot cosechador. El sistema de visión tenía una cámara de color para
captar imágenes y un PC para procesar las imágenes para su reconocimiento y localización. La
imagen fue realzada usando la diferencia del color rojo porque se demostró que la manzana tenía la
mayor diferencia de color rojo sobre los objetos de la imagen. Los resultados mostraron una tasa de
éxito del 88% con un umbral óptimo pero la tasa de error era de un 18% en condiciones de mala
iluminación.
En (Gwartney, 1996), realizo un estudio que mostraba que el procesado de imagen es una tecnología
útil para determinar la composición de la carne de vaca con contenidos de grasa superiores a un
32%.
Un año más tarde (Marty-Mahe, 1997), realizó una investigación para la aplicación de técnicas de
análisis de imágenes de video para detectar defectos de color en canales de pavo en la línea de
matanza. Se desarrolló un sistema usando métodos de segmentación de color para conseguir
8
Estado del Arte
defectos de color generales y locales. Al probar la técnica se concluyó que el sistema es conveniente
para la detección de defectos de color en canales de pavo.
También (Legeard, 1999), presentó una máquina de visión en tiempo real aplicada a productos
cárnicos, en este caso jamones crudos. Determinaron la calidad de jamones crudos midiendo el color
de la carne y el espesor de la grasa. Los resultados muestran correlación entre las medidas de los
espesores de grasa, y demuestra la eficiencia del procesado de imágenes en jamones clasificados de
acuerdo con su color en líneas de producción en tiempo real. (Ver figura 1.5)
Figura 1.5. Inspección automática y control de calidad de pollo y en cortes de carne de cerdo.
También (Purnell, 2004) aplico técnicas de visión artificial, en este caso a canales de cerdo, discutió
sobre los sistemas automáticos para canales de corte. Consideró el uso de técnicas de visión para
determinar la trayectoria del corte de los robots para una canal de cerdo fijada, junto con el
establecimiento de un sistema higiénico que pueda integrarse en un amplio rango de líneas de
proceso y estrategias de corte.
9
Estado del Arte
En las piscifactorías es necesario clasificar los peces por tamaño y variedades, así (Zion, 1999),
desarrolló un algoritmo de procesado de imagen para discriminar imágenes de tres especies
diferentes basándose en su forma, y el tamaño. Por otro lado (Storbeck, 2001), también desarrolló un
sistema para reconocer especies de pescado por visión artificial. El sistema de visión mide ancho y
alto del pez en distintos puntos.
Tal como se expone en (McConell, 1995), sobre productos de panadería el color ha sido un atributo
importante en estos productos, incluso cuando el cocinado es el adecuado, si el color no es conforme
para el consumidor, las oportunidades de venta del producto disminuyen en gran medida.
La estructura interna (miga) del pan y el pastel fue examinada con visión artificial por (Sapirstein
1995), desarrolló un sistema que media el brillo, la densidad de las celdas, su área y uniformidad del
grano; la menor desviación de las especificaciones requeridas era obvia para el sistema, permitiendo
medidas correctivas en la panadería. (Figura 1.6)
En un estudio más reciente, (Davidson, 2001) observó imágenes digitales de galletas de chocolate
las cuales fueron usadas para estimar las características físicas como tamaño, forma, color de la
pasta cocida y la fracción del área de la parte superior que era chocolate. (Ver Figura 1.7)
10
Estado del Arte
En cuanto a granos y alimentos secos, (Ni, 1997) diseño un prototipo de sistema de visión para
inspeccionar copos de maíz y se obtuvieron tasas exitosas de clasificación de copos enteros y rotos
de un 91 y 94% respectivamente. Otros estudios realizados por (Liu, 1997) y (Panigrahi, 1998)
sobre visión por ordenador han tenido éxito en la medida y clasificación de la blancura del maíz, el
daño mecánico y el daño del moho.
En cuanto a granos de arroz, (Wan, 2000) expuso un sistema en línea de inspección usando una
máquina de visión. Un total de 16 características del arroz relativas a su forma, color y los defectos
del copo, se emplearon para estudiar el reconocimiento de la calidad del arroz realizando tres
técnicas de clasificación.
Los requerimientos de calidad del cereal difieren con respecto al usuario final y a la preparación de
las distintas variedades de pan, tartas, galletas y productos de pasta. Los procesos de clasificación
visual actual demandan un cambio, en este sentido (Uthu, 2000) trabajó con visión artificial en el
reconocimiento de variedades de trigo y cultivos de trigo de pan.
Los métodos tradicionales para la inspección de granos se realizan después de la limpieza de éstos,
en donde la selección consiste en separar los granos manchados, partidos, con colores pálidos,
dañados por insectos o muy pequeños.
11
Estado del Arte
(GIRO, 2007) menciona que las máquinas de clasificación se han venido utilizando en la industria
de la alimentación desde la década de los 30, donde se utilizaban palpadores, pesadoras, y
clasificadoras mecánicas. En los 90´s muchas de las compañías que utilizaban estas metodologías
empezaron a introducir sistemas de visión artificial en sus procesos. Sin embargo, el gran auge ha
llegado en el momento en que los precios de los sistemas de visión en color han sido realmente
competitivos.
La identificación automática se recomienda a granos de una sola especie debido a que los granos de
especies silvestres tienden a tener grandes variaciones y escasa homogeneidad dentro de la misma
especie. (Ver figura 1.8)
La inmensa mayoría de las compañías relacionadas con la alimentación utilizan sistemas de visión
artificial en color, sin embargo también se usan mayoritariamente sistemas basados en cámaras
monocromas.
(GIRO, 2007) explica que la inspección en la industria alimentaría se lleva a cabo, tanto con
cámaras lineales como con cámaras matriciales, dependiendo del tipo de fabricante y del tipo de
clasificación. Algunos fabricantes de maquinaria para la industria alimenticia ofrecen también
versiones basadas en cámaras infrarrojas, que pueden detectar la presencia de hueso en las frutas o
determinar características no visibles en su superficie.
12
Estado del Arte
La visión artificial constituye una de las técnicas en el control de calidad de los alimentos que más
auge está teniendo en los últimos años. Su gran versatilidad, aplicabilidad, rapidez y limpieza están
demostrando su validez en los controles de calidad de numerosas empresas agroalimentarias.
Continuamente aumentan su capacidad y algoritmos de procesado a mayor velocidad y están
continuamente desarrollándose para conseguir las velocidades de línea necesarias.
Es por esto que en la industria alimentaria las principales aplicaciones que se le han atribuido a los
sistemas de visión artificial son los siguientes.
Tal como se expone en (Díaz, 2009), las principales ventajas son la reducción de los costos del
control de calidad, el aumento de la producción, la inspección del 100% de la producción, la
reproducibilidad y el funcionamiento 24 horas al día sin cansancio.
13
Estado del Arte
Retomando el objetivo principal de esta tesis el cual consiste en diseñar un sistema eficaz que
permita identificar, seleccionar y desechar granos fuera de especificación, y materiales ajenos a una
población que presenta cierta homogeneidad en su contenido. Y proponiendo la adecuación de un
sistema automático de inspección por visión artificial enfocado a la caracterización de arroz como
indicador de calidad. Se dan a conocer los siguientes objetivos específicos:
1. Selección del equipo necesario para la integración del sistema de visión artificial.
14
Estado del Arte
Para poder alcanzar los objetivos aquí planteados, este trabajo se ha organizado de la siguiente
manera:
En el capítulo 4, diseño a detalle, se dan a conocer los algoritmos utilizados tanto en el sistema de
visión como los desarrollados para el sistema de selección y desecho de granos fuera de
especificación, así como también el diseño eléctrico, electrónico y neumático para esta etapa.
15
2
MARCO TEÓRICO
16
Marco Teórico.
2. Marco Teórico
2.1 Introducción
La visión artificial es una sub rama de la inteligencia artificial, esta disciplina engloba todos los
procesos y elementos que proporcionan ojos a una máquina; la comprensión de imágenes describe la
deducción automática de la estructura y propiedades de un mundo tridimensional, posiblemente
dinámico, bien a partir de una o varias imágenes bidimensionales de ese mundo. Las estructuras y
propiedades del mundo tridimensional que se quieren deducir en visión artificial incluyen no sólo
sus propiedades geométricas, sino también sus propiedades materiales. Algunos ejemplos de
propiedades geométricas son la forma, tamaño y localización de los objetos; en cuanto a propiedades
de los materiales podemos mencionar el color, iluminación, textura y composición.
17
Marco Teórico.
La interpretación de tramas complejas, es una capacidad reservada al cerebro humano. Para que un
ordenador fuera capaz de analizar directamente una imagen cruda, sin procesar, haría falta una
estructura de procesadores a modo de neuronas, además de una inmensa cantidad de información de
los objetos y las formas. Para evitarlo, lo que se hace es reducir la complejidad de la trama. Para el
ordenador resultará más difícil distinguir objetos que se encuentren sobre un fondo con una trama
del mismo tono y proyecten una sombra definida, que reconocerlos sobre un fondo plano que
contraste con su color frontal. Es por ello que una de las más amplias ramas de la visión artificial
está guiada precisamente a simplificar las imágenes, eliminar el ruido introducido por los sensores y
facilitar, en definitiva, la tarea de interpretación.
(Espinoza, 2006) expone que las tareas de pre procesado consisten en algoritmos matemáticos que
calculan nuevas intensidades luminosas para los pixeles y la mayoría, aunque sencillos, consumen
gran cantidad de tiempo de cálculo, dependiendo de qué tanta resolución tenga la imagen. Esto
representa un inconveniente cuando se pretende que el ordenador sea capaz de ver en tiempo real, es
decir, que responda de forma casi instantánea a como se producen las imágenes frente a sus ojos.
Para que un sistema funcione en tiempo real es necesario estudiar todos los métodos posibles y la
forma de realizarlos con la menor carga computacional posible.
(Nalwa, 1993) menciona que una imagen es una representación visual de un objeto iluminado por
una fuente radiante. Las que se perciben en las actividades visuales cotidianas provienen
normalmente de la luz reflejada por los objetos. La naturaleza básica de una imagen, representada
por f(x,y)2, está caracterizada por dos componentes: la cantidad de luz incidente que procede de la
fuente de la escena contemplada; y la cantidad de luz reflejada por los objetos de la escena. Dichas
componentes reciben el nombre de iluminación y reflactancia, notándose i(x,y) y r(x,y)
respectivamente. Ambas funciones se combinan como producto para dar f(x,y).
18
Marco Teórico.
f ( N ,1) f ( N , 2) f (N , M )
En esta sección se consideraran varias relaciones simples aunque importantes entre los pixeles de
una imagen digital; entre las que destaca el término: Vecinos de un pixel.
Un pixel p de coordenadas (x, y) tiene cuatro vecinos horizontales y verticales cuyas coordenadas
son.
Este conjunto de pixeles, que recibe el nombre de 4-vecinos de p, se nota N4 (p). Cada pixel está a
distancia unitaria de (x, y), y algunos de los vecinos de p caen fuera de la imagen digital si (x, y) está
en el borde de la imagen. Los pixeles diagonales vecinos de p tienen coordenadas.
Y se notan ND (p). Estos puntos, junto con los cuatro vecinos, se llaman 8 - vecinos de p y se notan
N8 (p). Al igual que antes, algunos puntos de ND (p) y N8 (p) caen fuera de la imagen si (x, y) está
en el borde de la misma.
2.2.2 Conectividad.
La conectividad entre pixeles es un concepto importante usado para establecer las fronteras de
objetos y las regiones que componen a una imagen. Para establecer si dos pixeles están conectados
debe determinarse si son adyacentes en algún sentido (por ejemplo si son 4-vecinos y si sus niveles
de gris cumplen algún criterio de similitud, por ejemplo ser iguales). Así en una imagen binaria
19
Marco Teórico.
con valores 0 y 1 dos pixeles pueden ser 4-vecinos y no estar conectados salvo que tengan el mismo
valor (Espinoza, 2006).
Sea V el conjunto de valores de niveles de gris que se usa para definir la conectividad; por ejemplo
en las imágenes binarias, V = {1} o un rango como V = {33, 34,..., 50} en las imágenes de niveles de
gris. Se consideran tres tipos de conectividad:
si.
q ∈ N4 (p) o
q ∈ ND (p) y N4 (p) ∪ N4 (q) es vacío. (Este es el conjunto de 4-vecinos de p y q con valores en
V).
Es importante notar que la m-conectividad se introduce para eliminar la ambigüedad en los posibles
caminos que unen dos pixeles.
Para los pixeles p, q y z con coordenadas (x, y), (s, t) y (u, v) respectivamente, D es una función de
distancia o métrica si cumple:
DE ( p, q) ( x s) 2 ( y t ) 2
(2.5)
20
Marco Teórico.
Para esta medida de distancia, los pixeles a distancia menor o igual que un valor r de uno dado, (x,
y), definen un disco de radio r centrado en él.
La distancia D4 (también llamada de bloques por la estructura que genera) se define mediante:
D4 ( p, q) x s y t
(2.6)
En este caso, los pixeles que estén a una distancia, de (x, y), D4 menor o igual que un determinado
valor r forman un rombo centrado en (x, y). Por ejemplo, los pixeles a distancia menor o igual que 2
de uno dado son los siguientes:
D8 ( p, q) x s, y t
(2.7)
Por ejemplo los pixeles con distancia D8 menor o igual que 2 son:
21
Marco Teórico.
El primer paso en el proceso es adquirir la imagen digital. Para ello se necesitan sensores y la
capacidad para digitalizar la señal producida por el sensor. Una vez que la imagen digitalizada ha
sido obtenida, el siguiente paso consiste en el pre procesamiento de dicha imagen. El objetivo del
pre procesamiento es mejorar la imagen de forma que el objetivo final tenga mayores posibilidades
de éxito.
La salida del proceso de segmentación es una imagen de datos que, o bien contienen la frontera de la
región o los puntos de ella misma. Es necesario convertir estos datos a una forma que sea apropiada
para el ordenador. La primera decisión es saber si se va a usar la representación por frontera o región
completa. La representación por la frontera es apropiada cuando el objetivo se centra en las
características de la forma externa como esquinas o concavidades y convexidades.
La elección de una representación es sólo una parte de la transformación de los datos de entrada. Es
necesario especificar un método que extraiga los datos de interés. La parametrización, que recibe
también el nombre de selección de rasgos se dedica a extraer rasgos que producen alguna
información cuantitativa de interés o rasgos que son básicos para diferenciar una clase de objetos de
otra. En último lugar se encuentran el reconocimiento y la interpretación. El reconocimiento es el
proceso que asigna una etiqueta a un objeto basada en la información que proporcionan los
descriptores (clasificación). La interpretación lleva a asignar significado al conjunto de objetos
reconocidos. (Figura 2.2 y 2.3)
22
Marco Teórico.
23
Marco Teórico.
Los elementos de hardware mínimos necesarios para un sistema de visión artificial (SVA) son los
siguientes:
a) Sensor óptico: el sensor puede ser una cámara color o monocromo que produce una imagen
completa del dominio del problema cada 1/30 segundos. Los sensores podrían ser también
una cámara scanner que produce una línea en cada instante. En este caso el movimiento del
objeto por la línea del scanner (o al revés) produce la imagen bidimensional. La naturaleza
del sensor y la imagen que produce vienen determinadas por la aplicación.
b) Tarjeta de adquisición de imagen: permite digitalizar la señal de video entregada por el
subsistema anterior.
c) Computador: una vez digitalizada la imagen, debe ser almacenada en la memoria de un
computador para su posterior procesamiento y manipulación por programa.
d) Monitor de vídeo: permite visualizar tanto las imágenes o escenas captadas como los
resultados del procesamiento de dichas imágenes. (Figura 2.5)
24
Marco Teórico.
Una correcta adquisición de la imagen supone un paso muy importante para que el proceso
de reconocimiento tenga éxito. Dentro de esta etapa existen múltiples factores que atañen
directamente al proceso de captura de la imagen, formados fundamentalmente por: el sistema
hardware de visión artificial (cámara, óptica, tarjeta de adquisición de imagen, ordenador y
software) y el entorno y posicionamiento de los elementos (la iluminación, el fondo, posición
correcta de la cámara, ruido eléctrico-óptico externo, etc.).
Lo primero que se tiene que elegir, a la hora de diseñar un sistema de visión artificial, es el tipo de
cámara a utilizar. La elección va a depender de múltiples factores que se detallan a continuación:
25
Marco Teórico.
Por otra parte, la mayoría de los procesos se basan en el reconocimiento de formas a partir de
la determinación de los contornos de los objetos, siendo innecesaria la información
cromática de los objetos. De todas formas existen aplicaciones en las que la información de
color es fundamental, por ejemplo en control de calidad en la industria alimentaria donde se
clasifica la fruta, verdura, entre otros, según el color de cada elemento; La imagen en color
realmente proporciona una información más completa que puede servir en la etapa de
segmentación y extracción de parámetros en detrimento de una mayor necesidad de tiempo
de cómputo.
c) Tipo de salida de vídeo: actualmente podemos encontrar tres tipos de salida de vídeo: vídeo
compuesto, salida de vídeo digital y salida RGB (para cámaras color). Las ventajas de una
cámara de salida digital se han explicado en el punto anterior, por otro lado las cámaras de
salida RGB, tienen los tres colores fundamentales separados, lo que permite poder actuar
sobre cada color directamente desde el hardware.
d) Formato PAL o NTSC: existen principalmente dos formatos de vídeo: el formato europeo
PAL (50 Hz) o el americano NTSC (60 Hz). Existen cámaras que tienen uno u otro formato.
Se debe verificar que la tarjeta permita capturar imágenes con el formato de la cámara que se
tenga.
26
Marco Teórico.
f) donde se estudian objetos quietos o que se desplazan de una forma lenta, mientras que la
salida no entrelazada es más adecuada para la adquisición de imágenes en movimiento.
Lo ideal es tener una cámara que permita las dos formas, Sincronismos Vertical y
Horizontal: Una buena cámara tiene que permitir el que se le puedan introducir externamente
los sincronismos horizontal y vertical, además de que se puedan extraer sus propios
sincronismos internos. La salida o entrada de sincronismos permite una completa iteración
entre la tarjeta y la cámara, pudiéndose realizar la captura de los frames en el momento que
desea.
Pueden existir eventos que se producen de manera muy rápida, siendo fundamental el uso de
los sincronismos o también el de los triggers que tenga la cámara para la captura correcta de
la imagen que deseamos. Dentro de la salida en RGB.
h) Características del CCD: el CCD es una de las partes más importantes de la cámara, dentro
de la elección de éste se debe considerar las características fundamentales de su CCD:
Resolución: Cuanto más resolución tiene una cámara mejor podemos distinguir los detalles
más pequeños de los objetos. Por supuesto una mayor resolución supone un mayor precio de
la cámara y un tiempo de procesado de la imagen mayor.
Relación calidad-ruido: Cuanto mejor sea esta relación, mayor será la calidad de la imagen
capturada. Existen técnicas de filtrado, que sirven para eliminar el ruido eléctrico que se
produce en el CCD. El ruido eléctrico produce como una ligera niebla en la imagen obtenida,
que es necesario filtrar.
27
Marco Teórico.
i) Programación vía RS232: existen cámaras que permiten la calibración de todos sus
parámetros, o de parte de ellos desde el ordenador directamente; lo que permite una
automatización del proceso de calibrado.
2.4.2 La óptica.
Se aconseja estudiar las distancias y tamaño de los objetos a medir para elegir la óptica más
adecuada. Generalmente es interesante adquirir una lente provista de zoom y otra lente fija. Con el
zoom se pueden realizar los ajustes necesarios y determinar que lente fija se tiene que comprar para
la aplicación que se pretende realizar.
Existen por otro lado sistemas de zoom automáticos controlados directamente desde la cámara.
Otro aspecto fundamental a considerar, dentro del SVA, es el de la tarjeta de captura de imagen.
Existen multitud de tarjetas en el mercado orientadas hacia el terreno profesional, con gran cantidad
de características que hace que sea difícil seleccionar unas u otras. A continuación, se van a exponer
las más importantes:
28
Marco Teórico.
Por otro lado estas tarjetas al tener que gestionar la memoria propia del sistema tienen que
acceder al chipset del ordenador resultando muchas veces incompatibles con algunas
arquitecturas que usan chipsets antiguos o diferentes a los especificados en el manual de la
tarjeta de visión. La tarjeta que dispone de memoria en sí misma y además de un sistema de
control DMA eficiente que permita llevarla hasta la memoria del ordenador es la selección
más adecuada. Realmente el uso o no de memoria en la tarjeta puede suponer el ocupar un
1% o 42% de tiempo de CPU según un tipo de tarjeta u otra (todo el tiempo que se gaste en
el uso de la CPU en la transferencia de la imagen a memoria supone capacidad que se pierde
para otros procesos).
d) Posibilidad de uso de triggers externos, entradas y salidas digitales: toda tarjeta de visión
debe de tener entradas de trigger que permitan realizar un disparo cuando se produce un
evento externo determinado. Supongamos un sistema de reconocimiento automático de
etiquetas de botellas de vino, en el que la captura se realiza justo cuando un sensor detector
29
Marco Teórico.
de posición indica que hay una botella preparada para su reconocimiento. Existen muchas
tarjetas con entradas y salidas digitales que permiten realizar un control sencillo sin necesitar
una tarjeta adicional de adquisición digital.
e) Uso de DSP: debido a que las aplicaciones que se realizan en un entorno industrial tienen
que ser en tiempo real, es fundamental que la tarjeta disponga de un procesador digital de
señal que pueda programarse para realizar tareas de pre procesado, reduciendo el tiempo de
proceso que va a tener que realizar la CPU del host. Por supuesto, uno o varios DSPs con
procesamiento en paralelo incrementan sustancialmente los costos de la tarjeta de visión.
Figura 2.6. Sistema óptimo de captura de imagen mediante arquitectura INTEL y buses PCI y AGP.
En la figura 2.6 se puede observar el sistema framegrabber más adecuado para aplicaciones de
visión artificial, está formado por una tarjeta de adquisición de imagen formada por dos bancos de
VRAM donde la imagen es capturada con velocidades entre 10 y 100 Mbytes por segundo. Esta
imagen capturada es transferida en burst mode a la memoria del host con una velocidad de
transferencia de 132 MB/s a 32 bits, evitándose así un cuello de botella. Por otro lado la tarjeta de
visualización al usar el bus AGP a 64 bits, permite una velocidad de transferencia del doble
264MB/s. Todo este proceso se realiza mediante transferencia DMA, evitándose de esta manera
ocupar ciclos del procesador que puede dedicarse a realizar otros procesos en paralelo.
30
Marco Teórico.
Tan importante como la elección del hardware es la del software a utilizar. Los programas de visión
artificial profesionales están formados por las siguientes partes: entorno visual de pruebas,
procesado y estudio; lenguajes de programación y librerías de desarrollo.
Generalmente, los programas de visión artificial suelen tener un entorno donde se puede capturar la
imagen, procesarla con diferentes algoritmos y determinar por ejemplo que funciones se van a
utilizar. Además, suelen tener un lenguaje de programación propio, que permite la realización de
subrutinas que no existan en sus propias librerías de desarrollo.
Por otro lado, es necesario estudiar las funciones que se ofrecen para el desarrollo de las
aplicaciones reales. Estas funciones, realizadas la mayoría de las veces en C, C++ o ensamblador
buscando la máxima velocidad posible; se suministran en librerías que se pueden utilizar con
compiladores de C como: Microsoft Visual C++, Borland C++, Watcom C++ o Borland C++
Builder. Es necesario observar la cantidad de subrutinas de que constan las librerías para cada etapa
del proceso de visión artificial: pre procesado (filtrados, ecualización por histogramas,
transformaciones geométricas, etc.), segmentación (transformadas, erosión, dilatación, etc.), análisis,
selección, etc.
Cuanto más completa sea la librería de funciones, más fácilmente se podrá solucionar los problemas
que vayan surgiendo.
Una vez elegidos los elementos constituyentes del SVA, se pasan a estudiar los elementos
correspondientes al entorno y la forma de situarlos. Un entorno debidamente controlado es
imprescindible para obtener unas condiciones de partida óptimas que aseguren una perfecta
adquisición. Dentro del entorno aparecen como partes fundamentales que influyen
fundamentalmente en las expectativas tanto de calidad como de la imagen buscada: la iluminación,
el fondo, la posición de la cámara, etc.
31
Marco Teórico.
2.4.5.1 La iluminación.
La iluminación de la escena tiene que realizarse de una forma correcta, dada la importancia que
tiene. Existen fundamentalmente dos formas de iluminación, como se puede observar en la figura
2.7
a) Iluminación frontal: donde la luz incide directamente sobre el objeto, ya sea verticalmente,
horizontalmente, de forma oblicua o de forma difusa.
b) Iluminación trasera o Retro iluminación: donde se ilumina una pantalla de forma que lo
que se busca es el contorno del objeto a modo de sombra. Este objeto puede estar delante o
detrás de la pantalla. La iluminación frontal permite distinguir los detalles de los objetos, así
como su forma, permitiendo extraer más parámetros de cada objeto como su color, detalles
internos, etc.; que permitan una mejor segmentación.
Por otro lado, la retro iluminación sólo sirve para la detección de contornos simplificando
por otra parte la etapa de segmentación que se debe efectuar posteriormente a la captura.
32
Marco Teórico.
La iluminación con puntos de luz fijos (focos de luz) va a producir dos fenómenos
contraproducentes: la creación de sobras y los reflejos. Las sombras que crean los focos de luz
oblicuos, son un serio inconveniente para detectar correctamente las formas de los objetos, sobre
todo cuando estos son oscuros. En términos generales el efecto de las sombras es algo que se trata de
evitar. Al usar focos de luz, en objetos brillantes se producen brillos que también son
contraproducentes perjudicando seriamente la detección de los contornos y detalles de los objetos.
La iluminación por detrás del objeto puede hacerse de dos formas: situando el objeto entre la
pantalla y los focos que lo iluminan, de forma que lo que captura la cámara es la sombra proyectada
sobre la pantalla (Figura 2.8.a); o el objeto entre la cámara y la pantalla de forma que lo que se
ilumina es el fondo de la escena (Figura 2.8.b).
Figura 2.8. Retro iluminación: a) proyección sobre una pantalla, b) iluminación del fondo de la escena.
33
Marco Teórico.
La proyección del objeto sobre la pantalla solo permite el reconocimiento del contorno de éste,
teniendo como ventaja por otro lado que el pre procesado y segmentación se realiza en pocos pasos.
Prácticamente con este sistema no es necesario realizar pre procesado y si los objetos están aislados
unos de otros, la segmentación es sumamente sencilla. Por otro lado, si existen objetos “montados”
uno encima de otro, el reconocimiento de ambos se torna muy difícil.
Por otro lado, el segundo método es más ventajoso. Se trata de iluminar el fondo de forma que sea
más fácil diferenciarlo de los objetos. Este fondo suele ser una pantalla blanca que difumina la luz
trasera produciendo un fuerte fondo blanco. Además, al ser más fuerte esta iluminación, se eliminan
las sombras que puede producir la luz del ambiente, consiguiendo un fuerte contraste entre objeto y
fondo. Debido a este contraste los detalles se diferencian mejor: pequeños agujeros, pequeñas
deformaciones, etc.
Para que la segmentación sea lo más sencilla posible se busca diferenciar fácilmente el fondo de los
objetos: ya sea por un color claro brillante o inexistente en el universo de objetos a reconocer, o con
una iluminación blanca que sature al CCD dando niveles máximos de color (blanco nieve). De todas
formas la segmentación se complica si los objetos están conectados o unos encima de otros. Este
método permite realizar un segundo nivel de segmentación ya que se captura cada objeto con sus
detalles superficiales intrínsecos: color, formas, etc.
La selección de la iluminación más adecuada para cada aplicación depende del tamaño, de las
características de la superficie, de la geometría y de las necesidades del sistema. A continuación se
analizan, de forma general, las aplicaciones de cada sistema de iluminación.
34
Marco Teórico.
a) Sistemas anulares Los iluminadores anulares o anillos de luz proporcionan una gran
intensidad de luz uniforme, con ausencia de sombras, por lo que son adecuados para iluminar
objetos de reducidas dimensiones. Se pueden sujetar al objetivo de la cámara y se les puede
acoplar filtros de colores, polarizadores / analizadores, y difusores para, así, eliminar reflejos
y aumentar el efecto difusor. (Figura 2.9)
b) Sistemas de iluminación lineal: Estos sistemas son apropiados para iluminar intensamente
zonas muy estrechas, siendo aplicables a entornos de visión industrial, metrología, procesos
de inspección y muy específicamente, con cámaras lineales en inspección de papel, tejidos,
cerámica, material metálico, madera. (Figura 2.10)
c) Sistemas de panel: Este tipo de iluminación se utiliza para formar una silueta de un objeto,
depositándolo sobre la fuente de luz, cuando las estructuras superficiales del mismo no son
importantes. Se utilizan tanto en visión industrial (metrología) como en microscopía, para
hacer que el objeto aparezca oscuro sobre un fondo claro. Este tipo de iluminación también
puede utilizarse para producir un efecto de luz difusa muy uniforme. Entre las posibles
aplicaciones se incluyen: inspección de vidrio, localización y medida de piezas, medida de
productos opacos, detección de límites. (Figura 2.11)
El fondo de la escena cumple un papel esencial cuando se trata de simplificar alguna de las etapas
subsiguientes (como puede ser la segmentación). Éste debe ser lo más homogéneo posible y de un
35
Marco Teórico.
color que permita distinguirlo fácilmente de los objetos. Cualquier mancha o defecto que existan en
el fondo, puede ocasionar errores en la etapa de reconocimiento.
Utilizando iluminación frontal, el fondo debe de ser lo más opaco posible evitando todo reflejo. El
color negro opaco suele ser el más utilizado. Por otro lado, si la iluminación es trasera, se busca que
la pantalla difumine lo más posible la luz de forma que se obtenga un fuerte fondo blanco que lo
distinga fácilmente de los objetos.
2.5 Preprocesado.
Toda imagen que se adquiere por medios ópticos, electroópticos o electrónicos sufre en cierta
medida los efectos de la degradación que se manifiestan en forma de ruido, pérdida de definición y
de fidelidad de la imagen. La degradación viene provocada por el ruido de los sensores de captura,
imprecisiones en el enfoque de la cámara, movimiento de la misma o perturbaciones aleatorias, entre
las que tiene relevancia el efecto de la propagación de la radiación en el medio de transmisión. Los
mecanismos que tratan de contrarrestar estos efectos se incluyen dentro de la etapa de preprocesado,
recibiendo el nombre de operaciones de restauración.
En un proceso de visión artificial estos algoritmos tienen que ser utilizados lo menos posible, un uso
excesivo de ellos repercutirá en el tiempo de proceso total e indicará que la calibración, iluminación
y selección de los elementos de la etapa de adquisición no ha sido la adecuada. Aparte de la
degradación de la imagen, existen características de la imagen que, en muchos casos, es conveniente
mejorar. Así, muchas veces, se quiere mejorar el contraste, brillo, niveles de grises, eliminar brillos,
aumentar los bordes, mejorar las texturas, etc. Todas estas técnicas vienen a denominarse
operaciones de mejora de la imagen.
36
Marco Teórico.
La parte de preprocesado en un sistema de visión artificial está formada por estos dos tipos de
operaciones, es decir, todo el tratamiento de corrección y de mejora de la imagen que facilite el
procesado de las siguientes etapas.
Existe una cantidad considerable de algoritmos de preprocesado es por esto que en este capítulo se
expondrá el uso más práctico de las funciones requeridas para preprocesado en el sistema de visión
para granos de arroz. Esto mismo se realiza para la etapa de la segmentación, extracción de
parámetros y análisis de la información.
2.6 Segmentación.
Segmentar una imagen digital significa dividirla en zonas disjuntas e individualizadas. Es decir,
consiste en diferenciar los diversos objetos y dónde se encuentran del fondo, que puede ser más o
menos complejo, de la imagen.
Al final de la etapa de segmentación, se tienen que conocer perfectamente los objetos que hay para
extraer las características propias de cada uno de ellos. Además, cada pixel de la imagen tiene que
tener una etiqueta que los defina, de forma que simplemente por agrupación de puntos con la misma
etiqueta y conectados espacialmente, se pueda determinar la lista de objetos (estos objetos son
realmente zonas o regiones individualizadas dentro de la imagen, ya que un objeto, en el sentido
estricto de la palabra, puede estar repartido en varias regiones diferentes dentro de la imagen
obtenida).
Los objetos deben tener niveles de intensidad uniformes, que permitan distinguirlos del fondo
fácilmente.
37
Marco Teórico.
De todo lo expuesto en los párrafos anteriores, se puede afirmar que la etapa de segmentación es, la
verdadera etapa de reconocimiento debido a que la consecuencia de ésta es tener los objetos
perfectamente ubicados en la escena.
El cultivo de arroz en México ocupa el tercer lugar, después del maíz y el trigo. Es sembrado en
varios estados de la República entre los que destaca Sinaloa, Campeche y Veracruz.
En el país al año se cultivan más de 50 mil hectáreas de arroz, con un rendimiento promedio (bajo)
de 4.46 toneladas por hectárea, cifra que representa una producción anual superior a los dos millones
130 mil toneladas.
El arroz (Oryza sativa) es originario de las regiones tropicales pero hoy en día se cultiva en todo el
mundo. China e India producen más del 60% del total mundial. España, con aproximadamente 0,7
millones de toneladas es el segundo productor, tras Italia. Su uso fundamental es para la
alimentación humana pero a menudo se destinan a animales los granos partidos y los excesos
coyunturales. El arroz se almacena entero (arroz vestido), acompañado de su cutícula que le sirve de
protección. Durante el proceso de molienda se retira la cascarilla (aproximadamente el 20% del
grano sin pelar) que es muy rica en sílice y LAD y normalmente va contaminada con tierra. El resto
se denomina arroz moreno que es poco estable debido a la falta de protección y a la alta insaturación
de la grasa. Otro 8 a 10% del peso inicial se elimina durante el proceso de elaboración del arroz para
el consumo humano (7% de salvado y 2% cilindro de arroz) y el resto (72% del peso inicial) es lo
que se denomina arroz blanco o pulido. Un 14% del peso inicial corresponde a granos partidos y
sólo un 58% del producto original se utiliza para alimentación humana.
El análisis y clasificación de granos son procesos fundamentales en las actividades que contribuyen
a añadir valor a la producción de cultivos. Estas actividades se realizan en diferentes etapas
iniciando este proceso en el campo, en el cual se llevan una serie de procedimientos como el venteo,
limpieza por zarandas, entre otros.
El proceso manual de identificación y selección de granos y materiales ajenos a éste, que es llevado
a cabo por técnicas especializadas es lento, con baja reproducibilidad, y de baja calidad. De aquí la
38
Marco Teórico.
2.7.1 Especificaciones.
Todos los grupos incluidos en la norma NMX-FF-035-SCFI-2005 en todos sus grados de calidad,
deben cumplir con las siguientes especificaciones físicas:
a) Olor.
Debe ser el característico del grano de arroz sano, seco y limpio. En ningún grado de calidad se
permite el arroz que presente olores de humedad, fermentación, rancidez, enmohecido, putrefacción
o de cualquier otro olor extraño.
b) Humedad.
c) Impurezas.
Se acepta el arroz que contenga hasta el 0,5% en peso y las impurezas no podrán rebasar valores de
0,3% de semilla de trompillo y/o sesbania.
39
Marco Teórico.
Lo constituye el arroz que excede las tolerancias establecidas para el grado popular.
El producto objeto de la norma NMX-FF-035-SCFI-2005 debe estar de conformidad con las
especificaciones de calidad que se indican en la tabla 2.2
Tabla 2.2 Especificaciones para los distintos grados de calidad del arroz mexicano
La longitud del grano no es considerada como parámetro de calidad pero sí como característica
preferencial del público, por lo tanto se hace la presente clasificación:
40
Marco Teórico.
La tolerancia máxima de este apartado es de 30% de granos de otra longitud dentro de una misma
variedad. (Figura 2.12)
f) Contaminantes típicos
El arroz suele presentar debido a diversos factores todo tipo de contaminantes como son, (piedras,
cristales, y plásticos blancos entre otros) y granos defectuosos como son, (granos picados, rotos,
arroz rojo, granos amarillos, inmaduros, salvado, descolorido y con cáscara); (Figura 2.13)
41
Marco Teórico.
2.8 Sumario.
En la primera parte de este capítulo se dio una introducción formal a los aspectos teórico-prácticos,
referentes al sistema de visión artificial, en primera instancia se hizo mención al rol que ocupa en un
sistema automático de inspección siendo sus principales operaciones:
Por otra parte se analizó cómo se forma y representa una imagen digital por medio de una matriz f
de dimensiones NxM, así como la relación básica entre pixeles. Con la finalidad de entender el
comportamiento de las imágenes cuando se implementan los algoritmos.
Posteriormente, se mencionaron las etapas que se llevan a cabo en un proceso de visión artificial.
Empezando desde la adquisición de imágenes, preprocesado de estas, segmentación, análisis de
resultados entre otros.
Finalmente, se enlistaron los elementos de hardware mínimos necesarios para un sistema de visión
artificial (SVA); se hace mención de sus características, así como sus ventajas y desventajas
dependiendo el tipo hardware.
En este mismo capítulo se incluye la clasificación y características del arroz que se comercializa en
México, con la finalidad de conocer los defectos que presentan, para su posterior análisis.
La información descrita en este capítulo tiene la finalidad de dar a conocer las partes fundamentales
que integran en su totalidad al sistema de inspección por visión artificial; así como los factores
externos que están íntimamente ligados. En el capítulo 3 diseño conceptual, se realizara un análisis
completo de las necesidades que este sistema demanda para su óptimo desempeño.
42
3
DISEÑO CONCEPTUAL
43
Diseño Conceptual
3. Diseño Conceptual.
3.1 Identificación del Cliente.
La metodología QFD (Quality function deployment), permite identificar al cliente y/o clientes
potenciales interesados en el sistema automático de inspección por visión artificial enfocado a la
caracterización de arroz.
El cliente y/o clientes es todo aquel que sea impactado por el proceso automático de inspección para
granos por visión artificial; con la finalidad de aumentar la calidad de sus productos.
44
Diseño Conceptual
En la tabla 3.1, se especifican todos aquellos requisitos y expectativas del cliente sobre lo que espera
obtener en el producto en cuestión, por lo que agrupar según el tipo, definirá aún más los
requerimientos que son obligatorios durante el diseño y ponderar a los que son deseables.
REQUERIMIENTOS
A El sistema debe ser automático
B La inspección debe ser rápida
C El margen de error en la etapa inspección debe ser nulo
D Se debe inspeccionar el 100% del producto
E No debe haber contacto físico entre el producto y el sistema de inspección
F Tenga una vida útil larga
G El mantenimiento sea fácil en cada uno de sus componentes.
H El sistema sea sustentable
I Que garantice la calidad del producto
J Que exista una interfaz grafica entre el proceso y la estación de control.
QUE
45
Diseño Conceptual
DESEMPEÑO FUNCIONAL
J.- Que exista una interfaz grafica entre el proceso y la estación de control
M.- El sistema de inspección debe ser transparente (sin producir tiempo agregado al proceso)
P.- El sistema debe contar con 2 depósitos (producto de calidad y producto con defectos)
CONSERVACIÓN
TIEMPO
La clasificación permite identificar los requerimientos deseables, esto con la finalidad de determinar
su importancia relativa y tomarlos en cuenta durante el diseño, esperando como resultado, un grado
de satisfacción mayor en el cliente.
46
Diseño Conceptual
En la tabla 3.2 se organizan todos los requerimientos y expectativas del cliente, señalando aquellos
que son obligatorios y deseables, de acuerdo a su naturaleza. Se entiende como deseable, aquellos
requisitos que se desean incorporar al diseño del producto, aportando correcciones y mejoras durante
la definición del modelo conceptual. El siguiente paso, es separar el grupo de requerimientos
deseables, y llevarlos a una definición de importancia relativa entre cada uno de estos. Así, la
ponderación resultante, se tomará en cuenta durante el desarrollo del sistema.
47
Diseño Conceptual
Una vez definido los requisitos de calidad obligatorios y deseables, se llevan a un nivel de
ponderación, donde aquellos requerimientos obtienen una cuantificación de la importancia relativa
entre ellos, esto a través de las siguientes expresiones.
N ( N 1) (3.1)
C
2
Donde:
( ) (3.2)
Ir x100
C
Donde:
Para tener el cálculo se utilizan dos valores de comparación, los cuales son:
(1). Significa que el requerimiento de comparación es más importante que los demás.
(0). Significa que el requerimiento de comparación no es más importante que los demás.
48
Diseño Conceptual
En la tabla 3.4 se determina el orden de importancia de los requerimientos deseables, es decir, que
existen requisitos deseables más importantes que otros. Se observa que el requerimiento RD3 tiene
mayor nivel de importancia sobre los demás, siendo RD6 y RD7 aquellos con menor valor de
importancia, de manera que el primero puede ser tomado en cuenta más fácilmente que los dos
últimos.
Tabla 3.4. Matriz de Importancia Relativa en los Requerimientos Deseables.
Importancia
importancia
Relativa
Orden de
Requerimientos ∑(+) Ir (%)
RD1
RD2
RD3
RD4
RD5
RD6
RD7
RD8
Deseables
RD1 X 0 0 0 0 1 1 1 3 10.71 5
RD2 1 X 0 0 1 1 1 1 5 17.86 3
RD3 1 1 X 1 1 1 1 1 7 25 1
RD4 1 1 0 X 1 1 1 1 6 21.43 2
RD5 1 0 0 0 X 1 1 1 4 14.29 4
RD6 0 0 0 0 0 X 1 0 1 3.571 7
RD7 0 0 0 0 0 0 X 0 0 0 8
RD8 0 0 0 0 0 1 1 X 2 7.143 6
TOTAL 28 100
Con base en los requerimientos, se tienen que llevar a un nivel de traducción cuantificable, es decir,
todos aquellos requerimientos hechos por el cliente hay que definirlos en términos mensurables de
ingeniería, de manera que se asociarán directamente con una unidad de medición; aquellos que no
puedan ser asociados directamente a una unidad de medición, lo harán con un significado explícito,
donde se referirá a la actividad que ésta implica.
En la tabla 3.5 se detallan las metas de diseño, para este punto se realiza la traducción de los
Requerimientos de calidad, a requerimientos de ingeniería.
49
Diseño Conceptual
CANTDAD
UNIDAD
REQUERIMIENTOS REQUERIMIENTOS
REF.
DE CALIDAD DE INGENÍERIA
En la tabla 3.5, se muestran los requerimientos traducidos que se derivan de aquellos que no son
directamente mensurables; y enseguida se analiza el por qué de esta situación.
50
Diseño Conceptual
Esta calidad planificada está en relación directa con el nivel que se quiere alcanzar en cada
requerimiento, teniendo en cuenta la importancia que tiene cada una para el desempeño del sistema.
Para esto se toman en cuenta los valores de la tabla 3.6
VALOR CLASIFICACIÓN
1 No satisface requerimiento.
2 Ligeramente satisface requerimiento.
3 Medianamente satisface requerimiento.
4 En mayor parte satisface requerimiento.
5 Totalmente satisface requerimiento.
51
Diseño Conceptual
En la tabla 3.7 se detalla el nivel de calidad establecido para cada uno de los requerimientos que
debe tener el sistema de inspección por visión artificial
Tabla 3.7 Nivel de calidad establecido para los requerimientos del sistema
NIVEL
REQUERIMIENTOS DE CALIDAD DE REF
CALIDAD
El sistema debe ser automático 5 RO1
La inspección debe ser rápida 5 RO2
El margen de error en la etapa inspección debe ser nulo 5 RO3
Se debe inspeccionar el 100% del producto 5 RO4
No debe haber contacto físico entre el producto y el 5 RO5
sistema de inspección
Tenga una vida útil larga 4 RD1
Que garantice la calidad del producto RO6
DESEMPEÑO FUNCIONAL
52
Diseño Conceptual
La función global de servicio del sistema en el proceso de diseño, describe el papel a desempeñar
del mismo, es decir la capacidad que tiene para realizar cada elemento o el conjunto del sistema la
cual queda definida de la siguiente manera:
“identificar y desechar granos de arroz fuera de especificación dentro de una población que
presenta cierta homogeneidad en su contenido.”
Entradas Salidas
En el siguiente análisis funcional descendente, se señala gráficamente las funciones del sistema,
partiendo de lo general a lo particular, es decir, desde la función global de servicio en un primer
nivel, hasta la traducción de funciones complementarias en un segundo nivel de traducción, o los
que requieran de acuerdo a la complejidad del sistema.
53
Diseño Conceptual
Transportar el producto
Rechazar el producto
Monitorear el proceso
Banda o cinta
trasportadora
Transportar Movimiento
el producto lineal constante
Motor reductor de CA
54
Diseño Conceptual
Sensor óptico
Adquisición de la Iluminación
imagen
Tarjeta de video
Estación de
trabajo
Inspección
del producto Procesamiento de la Software de
imagen visión
Algoritmos de procesamiento
Algoritmos de
control
Toma de decisiones
Comunicaciones
Boquillas de
aspersión
Electroválvu
la neumática
Rechazo de Aire a presión Control
producto dirigido neumático Compresor
Tubería para
aire a presión
55
Diseño Conceptual
Software
Comunicació
Monitorizació n
n del proceso
HMI, Pantalla
Sensores
Después de describir las funciones complementarias en su nivel más bajo, se analizan cada una de
ellas. Las funciones técnicas y de servicio para el sistema se describen a continuación y el diagrama
completo se muestra en la figura 3.18.
Una cinta transportadora es un sistema de transporte continuo formado básicamente por una banda
continua que se mueve entre dos tambores. La banda es arrastrada por fricción por uno de los
tambores, que a su vez es accionado por un motor. El otro tambor suele girar libre, sin ningún tipo
de accionamiento, y su función es servir de retorno a la banda. La banda es soportada por rodillos
entre los dos tambores.
56
Diseño Conceptual
Las dimensiones de la banda transportadora requeridas para la implementación del sistema son las
siguientes:
Dimensiones
Largo (1.80m)
Ancho (0.12m)
b) Motorreductor.
Un motorreductor está compuesto básicamente por la unión de un motor el cual tiene acoplado, un
sistema de reducción de velocidad, generalmente compuesto por engranes. La función de un
motorreductor es disminuir esta velocidad permitir el eficiente funcionamiento de las máquinas,
agregándole por otro lado potencia y fuerza. (Figura 3.9)
57
Diseño Conceptual
Adquisición de la imagen
c) Sensor óptico
El sensor óptico es básicamente una cámara, que produce una imagen completa del dominio del
problema. El corazón del Sensor SmartImage es el dispositivo acoplado con carga (CCD). Un CCD
está dividido en pequeños elementos llamados pixeles. Cada pixel mide la intensidad de la luz y la
traduce a voltaje eléctrico. La resolución de una imagen se obtiene por el número de pixeles
horizontales y verticales en un CCD. Los Sensores SmartImage Serie 600 usan CCDs con una
resolución de 640x480 pixeles. (Figura 3.10) ver anexo 11.
Para la implementación de este sistema se utiliza como sensor óptico una cámara monocromática de
la marca COGNEX, con las siguientes especificaciones. Tabla 3.10
58
Diseño Conceptual
Permite digitalizar la señal de video entregada por el subsistema anterior. La interfaz giga bit
Ethernet NI PCIe-8231 permite obtener un mayor rendimiento desde la cámara de visión,
aumentando la velocidad de adquisición de las imágenes. Con la implementación de esta tarjeta el
uso del CPU es extremadamente bajo. (Figura 3.11) y tabla 3.11
59
Diseño Conceptual
Procesamiento de la imagen.
e) Estación de trabajo.
El equipo de cómputo requerido para el procesamiento de las imágenes es una DELL PRESICION
T1500. Figura 3.12
f) Software de visión
60
Diseño Conceptual
DAQ NI USB-6009
Entradas Digitales Entradas Analógicas Salidas Digitales Salidas Analógicas
12 8 (14 bits, 48 kS/s) 12 2 (12 bits a 150 S/s)
61
Diseño Conceptual
h) Etapa de potencia
Los actuadores de la etapa de rechazo trabajan con un voltaje de 24 V, es por esto que se requiere de
un circuito de acoplamiento de señales que permita comunicar las salidas de la DAQ, con la entrada
de los actuadores. (El voltaje requerido es de 5V a 24V), (figura 3.15).
i) Boquillas de aspersión.
Para lograr separar granos de arroz fuera de especificación dentro de una población que presenta
cierta homogeneidad en su contenido y que se encuentran en caída libre es necesario disparar
chorros de aire intermitentes. Para poder producir el patrón requerido, se implementan una serie de
boquillas de aspersión de la marca WindJet; las cuales producen un patrón de aspersión redondo,
cerrado y dirigido con niveles mínimos de ruido y cuentan con costillas externas para proteger los
orificios contra daños externos. (Ver figura 3.16) y Tabla 3.14, ver anexo 2 y 3.
62
Diseño Conceptual
j) Electroválvula neumática
63
Diseño Conceptual
k) Compresor
Para producir aire comprimido se utilizan compresores que elevan la presión del aire al valor de
trabajo deseado. Los mecanismos y mandos neumáticos se alimentan desde una estación central.
Entonces no es necesario calcular ni proyectar la transformación de la energía para cada uno de los
consumidores. El aire comprimido viene de la estación compresora y llega a las instalaciones a
través de tuberías.
Retomando el objetivo principal el cual consiste en desarrollar un sistema eficaz que permita
identificar, seleccionar y desechar granos fuera de especificación, y materiales ajenos a una
población que presenta cierta homogeneidad en su contenido, mediante la adecuación de un
sistema automático de inspección por visión artificial enfocado a la caracterización de arroz como
indicador de calidad. Asimismo, considerando los requerimientos tanto obligatorios como deseables
propuestos anteriormente. Se establecen las características de operación del sistema, el cual está
dividido en 2 partes principales:
Para el sistema automático de inspección. El producto será transportado a través de una banda
transportadora la cual operara con una velocidad constante; el abastecimiento de producto deberá ser
continuo. El sistema de visión estará compuesto por una cámara monocromática con iluminación
frontal. Finalmente, el procesamiento de las imágenes adquiridas será realizado con el software
labview, el cual enviara información obtenida a una etapa de control para la toma de decisiones.
Para el sistema de rechazo de granos fuera de especificación, la etapa de control será la encargada de
accionar el elemento final de control en este caso una serie de electroválvulas las cuales están
alimentadas por aire presurizado obtenido de un compresor; dicho aire presurizado será expulsado
de forma intermitente, a través de una serie de boquillas de aspersión, las cuales convierte un
volumen de aire comprimido de baja presión en una corriente de aire de alta velocidad, con un
patrón de aspersión redondo, cerrado y dirigido con niveles mínimos de ruido; estas boquillas son
64
Diseño Conceptual
las encargadas de realizar disparos de aire en el momento requerido; con la finalidad de separar
exclusivamente granos de arroz que se encuentran fuera de especificación, identificados por el
sistema de inspección. En la figura 3.18 se observa un esquema general del proceso.
65
Diseño Conceptual
3.5 SUMARIO.
En este capítulo se presento una serie de requerimientos tanto obligatorios como deseables para el
óptimo desempeño del sistema automático de inspección por visión artificial; estos fueron
establecidos basándose en los principios de la metodología QFD (Quality function deployment), con
la finalidad de aportar ideas innovadoras para el posterior diseño del sistema.
Así mismo, se presenta la descripción del proceso y las características de cada uno de los equipos
utilizados tanto en el sistema de visión artificial como en la etapa de rechazo del producto fuera de
especificación.
66
4
DISEÑO A DETALLE
67
Diseño a Detalle
4. Diseño a detalle.
4.1 Partes principales del sistema de inspección y rechazo.
En este capítulo se dan a conocer el desarrollo de los algoritmos requeridos para la etapa de
adquisición y procesamiento de imágenes, de la misma forma se presenta la programación para el
control de los actuadores empleados en la etapa de rechazo; dichos algoritmos fueron realizados con
el software labview 8.2 de National Instruments.
Adquisición de la imagen.
Procesamiento de la imagen
Toma de decisiones y control para la etapa de rechazo.
Finalmente se muestra el tipo de comunicaciones requeridas para el óptimo desempeño del sistema
en todas sus etapas. En la figura 4.1, se observa el diagrama general del proceso con la división de
estas tres etapas.
Existen dos formas para adquirir imágenes la primera consiste en leer imágenes previamente
cargadas directamente desde el disco duro de la computadora; y la segunda adquiriendo imágenes
directamente desde una cámara. Este ultimo método es el idóneo para poder trabajar con un sistema
de inspección en tiempo real.
En el capítulo 3 se menciono que la adquisición de las imágenes seria realizada por medio de una
cámara monocromática de 640x480 pixel de resolución, dicha cámara es fabricada por la marca
COGNEX.
Sin embargo el diseño de los algoritmos para esta etapa fueron desarrollados con el software
labview 8.2 de National Instruments. El cual trabaja con cámaras de la misma marca. Es por esto,
que fue necesario implementar un algoritmo denominado “Evento” para lograr la compatibilidad
entre estos dos fabricantes. En la figura 4.2, se muestra el diseño del algoritmo denominado evento;
68
Diseño a Detalle
el cual fue requerido para realizar la adquisición de imágenes directamente con la cámara Cognex.
DVT 500.
69
Diseño a Detalle
Para lograr una óptima adquisición de imágenes, es necesario añadir un algoritmo de control el cual
nos permite modificar el tiempo de disparo de la cámara, con la finalidad de hacer más flexible el
proceso, y de esta forma poder manejar distintos tiempos de inspección, la escala de graduación está
dada en milisegundos. El diseño de este algoritmo se puede ver en la figura 4.3
El algoritmo para la etapa de adquisición de imágenes opera en un siclo repetitivo tal y como se
muestra en el diagrama de la figura 4.4
70
Diseño a Detalle
71
Diseño a Detalle
Es por esto que el algoritmo está diseñado para aplicar ciertas operaciones morfológicas que son
requeridas para corregir las deficiencias de la etapa anterior en este caso la adquisición de la imagen;
esta serie de operaciones se implementan bajo el siguiente orden.
Después de aplicar la última operación morfológica el resultado esperado es una imagen nítida y
con los parámetros requeridos para la posterior toma de decisiones.
Un segundo factor sumamente importante es que el sistema cuente con una interfaz entre el proceso
y el operador. Es por esto que se debe crear una imagen dinámica en el panel frontal; el cual trabaja
con una memoria temporal. Y en la cual se puede visualizar el procesamiento de las imágenes para
la posterior toma de decisiones.
El algoritmo para el procesamiento de las imágenes trabaja en su conjunto bajo un algoritmo general
(figura 4.5), del cual se desprenden una serie de sub-algoritmos para cada caso. Los cuales se
muestran posteriormente.
72
Diseño a Detalle
En la figura 4.6 Podemos apreciar las cuatro operaciones básicas para la etapa del procesamiento de
la imagen; en primer lugar el algoritmo debe leer la imagen, para posteriormente introducirla en el
asistente de visión el cual implementa las cinco primeras operaciones morfológicas descritas
anteriormente.
El siguiente paso es la detección de objetos el cual nos da la cantidad exacta de objetos en la imagen,
y finaliza con la inspección en el cual el algoritmo identifica los objetos que se encuentran fuera de
especificación. Más a delante se mostraran los algoritmos completos para cada una de estas etapas.
73
Diseño a Detalle
74
Diseño a Detalle
Figura 4.9 Algoritmo: Operación morfológica No. 4 Remover objetos de los bordes
75
Diseño a Detalle
76
Diseño a Detalle
En la secuencia 4 el algoritmo revisa las características del umbral de la imagen y se asegura de que
el resultado es una imagen de 8 bits; cuando estos valores son ciertos el algoritmo procede a
ejecutar la siguiente secuencia. (Figura 4.13)
77
Diseño a Detalle
Debido a que la imagen con la que se trabaja es binaria; es decir en blanco y negro, en ocasiones
existen pequeños orificios incrustados en la imagen los cuales deben ser rellenados con el color
predominante en su exterior ya sea blanco o negro; es por esto que en la secuencia 6 y 7 el algoritmo
de la figura 4.15 y 4.16, realiza esta operación de calibración de imagen.
78
Diseño a Detalle
79
Diseño a Detalle
Finalmente uno de las secuencias más importantes es la número 9, (figura 4.18), en esta el algoritmo
se encarga de calcular y registrar los parámetros de los objetos encontrados los cuales se encuentra
fuera de especificación. Dentro de los resultados que nos arroja podemos mencionar los siguientes:
Estos resultados son desplegados con los siguientes arreglos de datos (Figura 4.19), los cuales son
esenciales para la última etapa del sistema en la cual se hace uso de estos valores para la posterior
toma de decisiones.
80
Diseño a Detalle
Después de que la imagen inicial es procesada la secuencia 10, despliega de forma temporal esta
imagen en pantalla con la totalidad de los objetos encontrados, los cuales se encuentran fuera de
especificación; estos se visualizan dentro de un rectángulo de color rojo, y además se encuentran
enumerados en un orden ascendente sobre el eje Y. (Figura 4.20)
Al finalizar esta secuencia las últimas dos secuencias, 11 y 12, tienen la función de eliminar de
forma permanente la imagen temporal; llegando así el ciclo final y dando pauta para empezar de
nuevo el ciclo con una nueva imagen entregada por la etapa adquisición. (Figura 4.21, y 4.22), este
ciclo se repite tantas veces como imágenes entregue la etapa de adquisición.
81
Diseño a Detalle
82
Diseño a Detalle
La toma de decisiones representa la última etapa del ciclo del sistema y es la encargada de
comunicar al sistema de inspección con el elemento final de control, en este caso electroválvulas; es
sin duda la más importante debido a que es capaz de interpretar los resultados obtenidos de etapas
anteriores y tomar una serie de decisiones las cuales cumplan con el objetivo primordial del sistema
de inspección y rechazo. (Figura 4.23)
La etapa de toma de decisiones opera con un algoritmo de control el cual opera con 5 secuencias, la
primera de estas tiene por función desplegar resultados numéricos obtenidos en la etapa anterior en
una interfaz de comunicación con el usuario (figura 4.24), en dicha interfaz los resultados que se
visualizan son los siguientes:
En lo que respecta a la segunda secuencia esta tiene la función de activar un indicador en color rojo
para avisar que el proceso empieza a reconocer granos fuera de especificación (Figura 4.25), y da la
pauta para el envió de datos a la secuencia siguiente; (Figura 4.26), estos datos se acumulan en un
arreglo denominado administrador, el cual se encarga de distribuir la información al control
principal del algoritmo, ubicado en la secuencia 4.
83
Diseño a Detalle
84
Diseño a Detalle
En la secuencia 4 el algoritmo está diseñado para interactuar con el usuario, y de esta forma solicitar
valores que permitan el correcto desempeño del sistema; en primer lugar nos solicita introducir la
velocidad a la que opera la banda transportadora en mm/seg. El sistema si bien puede operar con
distintas velocidades no es apto para trabajar con velocidades que superen las conmutaciones que
puede realizar una electroválvula Jet, la cual es cercana a 0.01 milisegundos entre intervalos de
conmutación; en el capítulo 5 se abordara a fondo esta situación.
85
Diseño a Detalle
Con estas variables introducidas el algoritmo tiene la capacidad de calcular el tiempo exacto en el
cual cada uno de los granos recorre de inicio a fin la longitud de la banda transportadora en el eje Y.
(Figura 4.27a y 4.27b).
En esta misma secuencia el algoritmo analiza la localización de los granos en el eje X, y los clasifica
en 8 secciones denominadas (A, B, C, D, E, F, G, H) las cuales en conjunto abarcan la totalidad de
la longitud transversal de la banda transportadora la cual es igual a 8 cm. Estos datos son
almacenados en un nuevo arreglo administrador; para su posterior envió a la secuencia siguiente.
86
Diseño a Detalle
Los datos de la secuencia 4 son administrados y enviados a la secuencia 5. La cual tiene dos
funciones principales; la primera de ellas consiste en realizar el conteo de los tiempos almacenados
en el arreglo administrador de la secuencia anterior y designar que tiempo le corresponde a cada
una de las 8 secciones (A, B, C, D, E, F, G, H); para posteriormente emitir una serie de señales a la
tarjeta Adquisición de Datos (DAQ). Para así lograr establecer comunicación con los actuadores
finales. (Figura 4.28)
87
Diseño a Detalle
El diseño del panel frontal está dividido en 2 partes principales en la primera se podrá visualizar
mediante una pantalla con una resolución de 640 por 480 pixeles, cada una de la imágenes obtenidas
después del procesamiento de estas; así mismo se tendrá un indicador con el estado actual de la
inspección; un botón con paro total del proceso; y uno más para inicio del proceso de inspección.
(Figura 4.29)
88
Diseño a Detalle
En la segunda parte del panel frontal se encuentra la casilla A en donde se introduce la resolución en
el eje x de la cámara en este caso por trabajar con la cámara cognex DVT 535; se sabe que es 640,
en la casilla B se introduce el largo de la banda transportadora tomando como referencia la
coordenada (0,0) en la imagen tomada por la cámara; y hasta el final de la banda. Esta distancia está
dada en mm. Y finalmente se introduce la velocidad de la banda transportadora; la cual está dada en
cuadros de la imagen adquirida por segundo.
89
Diseño a Detalle
Además de estos datos a introducir; el panel frontal muestra en pantalla el numero de granos fuera
de especificación por imagen tomada; la las coordenadas en el eje (X, Y) de cada uno de estos
granos; y las boquillas que serán accionadas para la intercepción y rechazo de estos. Ver (figura
4.30).
Los actuadores de la etapa de rechazo trabajan con un voltaje de 24 VCD, es por esto que se requiere
de un circuito de acoplamiento de señales que permita comunicar las salidas de la DAQ, con la
entrada de los actuadores. (El voltaje requerido es de 5V a 24V). (Figura 4.31 y 4.32), ver anexo 7 y
9.
90
Diseño a Detalle
Figura 4.31 Diagrama electrónico del circuito de acoplamiento de señales 5-24 Vcd.
La conexión física para esta tarjeta se visualiza en la figura 4.33, en donde se indica los bornes en
los que se debe alimentar con 5 y 24 Vcd, respectivamente y los bornes de entradas de GND
91
Diseño a Detalle
El sistema de rechazo estará conformado por una serie de electroválvulas de conmutación rápida de
2/2 vías. Dicho proceso requiere de características especiales como son: ultra rapidez, ultra duración
y ultra reproducibilidad
La válvula Jet MHJ9 de FESTO integra todas estas cualidades y se reflejan en el principio de
accionamiento directo para tiempos de conmutación inferiores a 1 ms, caudales de 50, 100 y 150
l/min y excelente precisión de repetición inferior a 0,1ms. Además, una duración superior a los
5000 millones de operaciones de conmutación. (Figura 4.35)
92
Diseño a Detalle
93
Diseño a Detalle
4.8 SUMARIO.
En la primera sección de este capítulo 4 se dan a conocer las tres partes principales que integran en
su totalidad al sistema de inspección por visión artificial.
Adquisición de la imagen.
Procesamiento de la imagen
Toma de decisiones y control para la etapa de rechazo.
Posteriormente se describe a grandes rasgos la función de cada una de estas etapas; se da a conocer
el diseño de los algoritmos utilizados para estas, y se describe la operación que realiza cada
algoritmo, para el óptimo desempeño del sistema.
En una segunda sección se da a conocer el diseño de una tarjeta electrónica para el acoplamiento de
señales entre la tarjeta de adquisición de datos (DAQ), y la etapa de los actuadores.
94
5
ANÁLISIS DE LOS
RESULTADOS
95
Análisis de resultados.
5. Análisis de Resultados.
La adquisición de imágenes se realizo con el sensor de visión Cognex DVT 535 y el algoritmo
denominado evento que se diseño para la comunicación entre el software labview y el sensor de
visión. Permito adquirir imágenes en formato de archivo BMP (Bit Map), con una resolución de
640x480 pixeles y un modelo de color RGB (Red, Green, Blue), como se muestra en la figura 5.4.
Aunado a esto se diseño un algoritmo para controlar los disparos programados del sensor de visión
el cual opero de forma correcta permitiendo la velocidad de adquisición máxima del sensor el cual
fue de 60 fps (marcos por segundo).
Se realizaron pruebas con 3 tipos de iluminación: led, incandescente, y fluorescente; con la finalidad
de implementar un sistema de iluminación eficaz que permitiera la adquisición de imágenes con
excelentes condiciones para su posterior procesamiento.
En la figura 5.1, se observa una imagen adquirida con iluminación incandescente. En la figura 5.2, la
imagen fue adquirida con iluminación tipo led. Y finalmente en la figura 5.3, esta adquisición se
llevo a cabo con iluminación fluorescente; la cual obtuvo las mejores características en cuanto a
nitidez en la imagen. Y fue esta la que se utilizo para las posteriores pruebas del sistema.
96
Análisis de resultados.
97
Análisis de resultados.
98
Análisis de resultados.
Las siguientes dos operaciones morfológicas: Apertura de la imagen. Ver (figura 5.6), y erosión ver
(figura 5.7), fueron implementadas con la finalidad lograr la mayor separación posible entre granos;
para posteriormente proceder al análisis de cada uno de estos, los resultados obtenidos con la
implementación de estas operaciones equivale al 94.1% de granos separados. En una muestra de 22
imágenes analizadas.
Al término de la segunda operación morfológica la imagen pasa por un filtro con la finalidad de
convertir la imagen actual a una imagen denominada binaria, en la cual cada píxel cuenta con solo
99
Análisis de resultados.
uno de dos valores posibles 1 o 0. (Blanco y negro) En estas condiciones es más fácil encontrar y
distinguir características de la imagen. Ver (figura 5.8)
La cuarta operación morfológica consiste en eliminar objetos que se encuentran cortados en los
bordes por el cuadro de la imagen; debido a que estos a pesar de que cumplen con características
dentro de especificación el cuadro de la toma regularmente los corta a la mitad, reduciendo así su
área en pixeles. Para evitar esta circunstancia se hace uso de esta función la cual nos entrega
imágenes con el 100% de granos enteros. (figura 5.9)
Figura 5.9 Aplicación de la cuarta operación morfológica: Remover objetos de los bordes
100
Análisis de resultados.
La quinta operación morfológica se utiliza para garantizar la separación de objetos, los cuales
después de la aplicación de los filtros anteriores pudiesen haber incrementado en un mínimo
porcentaje su área en pixeles; ocasionando una integración entre uno o más objetos. Ver (figura
5.10), esta imagen da la pauta para el inicio del proceso de inspección en las últimas dos operaciones
morfológicas.
En la sexta y séptima operación morfológica están dedicadas a la inspección del producto, en una
primera etapa el algoritmo determina cuantos objetos se encuentran en la imagen así como el área en
pixeles de cada uno de estos. Ver (figura 5.11), sabiendo que el área promedio de un arroz que se
encuentra dentro de especificación. Es mayor a 180 pixeles, se establece el siguiente rango. Tabla
5.1
Tabla 5.1 Rango para la inspección del producto.
Estos valores son variables, y dependen de la calidad de producto que se requiera; es como se
establecerán los nuevos parámetros.
101
Análisis de resultados.
Figura 5.12 Aplicación de la séptima operación morfológica: Detectar objetos fuera de especificación.
102
Análisis de resultados.
Al término del procesamiento de imágenes el programa da a conocer los siguientes datos con
respecto a la imagen analizada. Ver (figura 5.13)
En la grafica de la figura 5.14, se representa una muestra con 20 imágenes analizadas en la cual se
presenta el total de granos fuera de especificación por cada imagen; así mismo en la tabla 5.2 se
establecen los valores más relevantes para esta etapa.
103
Análisis de resultados.
El objetivo primordial para esta última etapa es lograr la separación de los granos que se encuentran
fuera de especificación. Para esto el algoritmo que se diseño en el capítulo anterior para cumplir con
esta tarea; realiza 2 tareas de forma simultánea.
A pesar de que algunas líneas cortan a distintos granos por la mitad, la clasificación por secciones
está garantizada al 100%, debido a que el algoritmo reconoce a cada grano solo con la posición de
104
Análisis de resultados.
un pixel ubicado en el centro de cada grano y del cual se conocen sus coordenadas en (x, y). Ver
(figura 5.16)
Figura 5.15 Cuadro de la imagen dividida en ocho partes iguales sobre el eje x.
105
Análisis de resultados.
d (5.1)
t
v
Donde:
A partir de que se reconoce este tiempo el algoritmo ejecuta estos mismo pasos para cada uno de los
granos detectados; sin embargo a partir del segundo grano el programa resta al primer valor de
tiempo, el tiempo numero 2; con la finalidad de conocer el tiempo que se tiene entre un grano y otro;
obteniéndose así los tiempos exactos en que los granos llegan al último punto de la banda
transportadora antes de ser arrojados en caída libre.
En la figura 5.18, se representan los tiempos que existen entre un grano y otro, después del
procesamiento de una imagen en la cual existen catorce granos fuera de especificación, dichos
tiempos se encuentran milisegundos.
106
Análisis de resultados.
Después de que los granos llegan al último punto de la banda transportadora, estos son arrojados en
caída libre y el sistema de rechazo integrado por ocho boquillas de aspersión es el encargado de
interceptar los granos que fueron identificados con baja calidad en la etapa anterior; para esto es
necesario agregar un lapso de tiempo más. El cual es conocido como tiempo de caída libre. Para esto
se hace uso de la ecuación general del movimiento, ver ecuación 5.2
1 2 (5.2)
s v0t gt
2
Donde:
t Tiempo
d Dis tan cia 0.1m
g gravedad 9.8m / s 2
107
Análisis de resultados.
Considerando que la velocidad inicial de los granos de arroz es igual a cero; y recordando que se
debe conocer el tiempo en el que un grano de arroz recorre una distancia de 0.1 metros en caída
libre, se emplea la ecuación 5.3; ver anexo 13.
2d (5.3)
t
g
Donde:
t Tiempo
d Dis tan cia 0.1m
g gravedad 9.8m / s 2
Figura 5.19 Tiempos de accionamiento para una imagen analizada con 14 objetos detectados.
108
Análisis de resultados.
Con la finalidad de verificar el buen desempeño de las electroválvulas Jet MHJ9 de FESTO,
empleadas en el proceso de rechazo de granos de arroz que se encuentra fuera de especificación; se
realizo un análisis de la cantidad de disparos requeridos para separar el producto; se considero un
tiempo de inspección de 1 imagen por segundo, se analizaron 20 imágenes; y las electroválvulas
analizadas fueron (A, C, E, G,). El resultado de este análisis se muestra en las graficas de la (figuras
5.20, 5.21, 5.22 y 5.23)
109
Análisis de resultados.
Analizando el desempeño de las electroválvulas en las graficas anteriores podemos determinar que
el numero de conmutaciones para la velocidad de prueba la cual es igual a una imagen por segundo
fue de seis como máximo y un mínimo de cero; suponiendo que estas trabajaran las 24 horas del día.
110
Análisis de resultados.
El análisis anterior demuestra que está garantizada la implementación de estos equipos para el
desempeño del sistema. En cuanto a duración.
En el siguiente análisis se verificar el tiempo que el proceso demanda a los actuadores para
garantizar la intercepción de granos que se encuentran a distancias muy estrechas entre uno y otro;
en la grafica de la (figura 5.24), se muestran los tiempos mínimos de conmutación obtenidos de
una inspección rutinaria en la cual la velocidad de inspección es de una imagen por segundo; para
este análisis se tomo una muestra de 20 imágenes.
111
Análisis de resultados.
En la grafica de la figura 5.24 se observa que cerca del 20% del total de las imágenes analizadas
demandan tiempos de conmutación cercanos a 1 milisegundo. La imagen No. 3 analizada presento el
tiempo más corto el cual fue de 1.07 ms. Las electroválvulas implementadas para esta función
garantizan un tiempo de conmutación ON-OFF de 1 ms. Ver (figura 5.25), por lo tanto el sistema de
intercepción de granos fuera de especificación (figura 5.26), puede operar dentro de un rango +/-
0.07 milisegundos.
Figura 5.26 Sistema de intercepción de granos compuesto por electroválvulas y boquillas de aspersión.
112
Análisis de resultados.
Posteriormente se realizo una segunda inspección con el total de granos que fueron interceptados;
con lo cual se obtuvieron los siguientes resultados. Ver grafico de la (figura 5.28)
113
Análisis de resultados.
Después de analizar los resultados obtenidos en el grafico de la (figura 5.28), se establece que el
sistema tuvo una eficiencia del 97.21% en cuanto a la intercepción de granos que se encontraban
fuera de especificación. Sin embargo el 7.91% del total de los granos interceptados corresponde a
granos que se encuentran dentro de especificación.
Figura 5.29 Sistema de inspección por visión artificial y rechazo de producto fuera de especificación
114
Análisis de resultados.
Con el total de granos interceptados se procedió a realizar un estudio para determinar el peso
promedio de los granos de arroz; para esto se tomo una muestra de 20 granos y sus pesos se
muestran en la (tabla 5.3)
En la (figura 5.30) se presenta la grafica del total de granos de arroz analizados en cuanto al peso de
cada uno, así mismo se observa el peso promedio de estos granos el cual fue igual a 21.89
miligramos.
Tabla 5.3 Peso del grano de arroz en una muestra de veinte unidades.
115
Análisis de resultados.
5.8 SUMARIO.
Adquisición de la imagen.
Procesamiento de la imagen
Toma de decisiones y control para la etapa de rechazo.
Cada una de estas etapas requirió de un análisis personalizado, con la finalidad de poder establecer
una conclusión final sobre el desempeño del sistema; y de esta forma dar a conocer las aportaciones
obtenidas.
Finalmente presento una serie de propuestas con el propósito de desarrollar trabajos a futuro sobre
esta línea de investigación.
116
Conclusión y Trabajos a Futuro
Conclusión.
La integración de este sistema en su totalidad abarcó tres importantes etapas las cuales a pesar de
que cada una de estas realiza una función en específica, trabajan bajo el principio de empuje. Esto es
al término del primer proceso; la información es transmitida a la siguiente, hasta finalizar el proceso
y en un ciclo repetitivo.
2. Procesamiento de la imagen: debido a que la calidad de las imágenes adquiridas fue buena,
las mejoras que se le agregaron a la imagen para su posterior inspección fueron relativamente
pocas, lo que se tradujo en un menor tiempo de procesamiento, y contribuyo a tener un
proceso más veloz. En cuanto al proceso de inspección; el sistema fue flexible permitió
graduar la calidad en cuanto al tamaño de grano a inspeccionar; y por otro lado se tuvo el
100% de granos perfectamente analizados.
3. Toma de decisiones: esta última etapa es sin duda la más importante, y el cerebro del sistema;
debido a que lee los datos obtenidos de la etapa anterior y procede a tomar una serie de
decisiones para cumplir con el objetivo del sistema.
117
Conclusión y Trabajos a Futuro
La integración de estas tres etapas arrojo un sistema con una excelente capacidad de adquirir
imágenes, procesarlas, y finamente activar una etapa de rechazo de granos de arroz que se
encontraban fuera de especificación, en la cual se obtuvo una eficiencia del 97. 21%.
Sin embargo también se obtuvo un 7.91% del total de los granos interceptados los cuales
correspondían a granos que se encontraban dentro de especificación. Esto se atribuye al número y
características de las boquillas de aspersión utilizadas para la etapa de prueba.
Trabajos a futuro.
Sin embargo existen otros factores que afectan la calidad de grano; y muchos de estos solo pueden
ser inspeccionados con sensores de visión a color; los cuales tienen la desventaja de que el
procesamiento de las imágenes es lento y agrega lentitud al proceso. De aquí la idea de diseñar
algoritmos de procesamiento que sean capaces de contrarrestar esta situación, y con ello contar con
un sistema de inspección más completo para este sector.
118
Referencias
Referencias
Bulanon D.M; Kataoka, T. O., Y. & Hiroma T. (2002). "segmentation algorithm for the automatic
recognition of Fuji Apples at harvest." Biosystems Engineering. vol. 83(4): 405-412.
Choi, K. L., G.; Han, Y.J. & Bunn, J. M. (1995). "Tomato maturity evaluation using color image
analysis." Transactions of the American Society of Agriclultural Engineers vol. 38 (1): 171-
176.
Davidson, V. J. R., J. & Chu, T. (2001). "Fuzzy models to predict consumer ratings for biscuits
based on digital features." IEEE Transactions on Fuzzy Systems 9(1): 62-67.
Díaz, R. (2009). Visión Artificial para el control de la calidad y la seguridad alimentaria. Jornada de
innovación en la industria agroalimentaria a través de la automatización y robotización de
procesos. ainia. Valencia España.
Diaz, R. F., G.; Blasco, M.; Blasco, J. & Molto, E. (2000). "The application of a fast algorithm for
the classification of olives by machine vision." Food Research International 33(3/4): 305-
309.
Gwartney, B. L. G., X.; Tan, J. & Gerrard, D.E. (1996). "Determining fat content in ground beef via
color image processing." Journal of Muscle Foods 7 (4): 441-451.
Heinemann, P. H. H., R.; Morrow, C.T.; Crassweller, H.J.; Sommer, H.J.; Marrazzo, W.N. & He, B.
(1997). Machine vision based station for grading of Golden Delicious apples, Sensors for
Nondestructive Testing: 239-248.
Lajara Vizcaíno José Rafael, Pelegrí S.J. (2007). "LabView Entorno gráfico de programación"
Alfaomega Marcombo (1) 18-115
Laykin, S. E., Y.; Alchanatis, V.; Regev, R.; Gross, F.; Grinshpun, J.; Bar, E.; Fallik E. & Alkalai,
S. (1999). Development of a quality sorting machine vision and impact. ASAE Annual
International Meeting. Michigan, USA., 993144. 1.
Leemans, V. D., M.F. (2002). "A real time grading methods of apples based on features extracted
from defects." Journal of Food Engineering 61(1): 83-89.
119
Referencias
Legeard, D. M.-M., P.; Camillerapp, J.; Marchal, P. & Leredde, C. (1999). "Real time quality
evaluation of pork hams by colour machine vision." Proceedings of the SPIE The
International Society for Optical Engineering 3652: 138-149.
Liu, J. P., M.R. (1997). Corn whiteness measurement and classification using machine vision. 1997
ASAE Annual International Meeting. Michigan, USA, ASAE, St. Joseph. 973045.
Marty-Mahe, P. M., P. (1997). "Grading turkey carcass by colour machine vision: colour defects
detection." Comptes Rendus de l'Academie d'Agriculture de France 83(2): 128-136.
McConell, R. K. J. H., H. & Blau, Jr. (1995). Color classification of non uniform baked and roasted
foods. Proceedings of the FPAC IV conference. F. p. a. IV: 40-47.
Moltó, E., Blasco, J., & Aleixos, N. (2000). Multispectral, real-time inspection of citrus using a
parallel architecture. In AgEng 2000 Agricultural Engineering into the Third Millennium.
Warwick, UK. 00-AE-001: 2-7.
Moltó, E. R., L.A.; Aleixos, N.; Vázquez, J. & Juste, F. (1998). "Machine Vision for non-destructive
evaluation of fruit quality." Acta Horticulture 421: 85-90.
Panigrahi, S. M., M.K. & Willsonc, S. (1998). "Evaluations of fractal geometry and invariant
moments for shape classification of corn germplasm." Computers and Electronics in
Agriculture 20(1): 1–20.
Purnell, G. (2004). "Robotic automation for pork primal cutting." Food Technology International 54:
57-58.
Sapirstein, H. D. (1995). Quality control in commercial baking: machine vision inspection of crumb
grain in bread and cake products. Food Processing Automation IV Proceedings of the FPAC
Conference. Michigan, USA, ASAE, St. Joseph: 12-19.
Shaw, W. E. (1990). "Machine vision for detecting defects on fruit and vegetables." Food processing
automation 1: 45-62.
Singh, N. D., M.J.; Johnson, R.S. & Thompson, J. (1992). "Peach maturity grading with color
computer vision." American Society of Agricultural Engineers(93-3029): 23-24.
Storbeck, F. D., Berent (2001). "Fish species recognition using computer vision and neural
network." Fisheries Research 51: 11-15.
Timmermans, A. J. M. (1998). Computer vision system for on line sorting of pot plants based on
learning techniques. USA.
Uthu, H. (2000). "Application of the feature selection method to discriminate digitised wheat
varieties." Journal of Food Engineering 46(3): 211–216.
120
Referencias
Van Hoof, J. E., R. (2001). "Automated vision inspection of broiler carcasses." Fleischwirtschaft
81(11): 96-101.
Wan, Y. N. L., C.M. & Chiou, J.F. (2000). Adaptive classification method for an automatic grain
quality inspection system using machine vision and neural network. ASAE Annual
International Meeting. Michigan, USA., ASAE, St. Joseph. 003094.
Zion, B. S., A. & Karplus, I. (1999). "Sorting fish by computer vision." Computers and Electronics
in Agriculture 23: 175-187.
121
Anexos
122
Anexos
123
Anexos
124
Anexos
125
Anexos
126
Anexos
127
Anexos
128
Anexos
129
Anexos
130
Anexos
131
Anexos
Anexo 11. Especificaciones del Sistema del sensor de visión COGNEX serie 600
132
Anexos
Anexo 12. Especificaciones del Sistema del sensor de visión COGNEX serie 600.
133
Anexos
134