RECONOCIMIENTO DE MATERIALES PLÁSTICOS A TRAVÉS DE

TÉCNICAS DE VISIÓN ARTIFICIAL EN COLOR AL OBJETO DE SU

IMPLEMENTACIÓN EN UNA LÍNEA DE TRIAJE DE UNA E.R.S.U.
Martínez de Salazar Martínez, Enrique1p, Jaramillo Morán, M. A.2, Fernández Muñoz,
J. A.2, García del Valle Alfageme, M.2, Marcos Hernández, A.1, Moral García, F.J.1,
López Rodríguez, F.1
1.Departamento de Expresión Gráfica. Área de Proyectos de Ingeniería.
2.Departamento de Electrónica e Ingeniería Electromecánica.
Universidad de Extremadura.

ABSTRACT
This work tries to develop a vision system that makes a contribution to the
automation process in the collection of solid plastic waste in a Solid Waste Treatment
Plant. This operation is realized manually, and It is very uncomfortable for workers
because the smell. Nowadays, this problem is opened for the extremely difficult of
the solution.
In order to get results, It is needed to proceed to identify all the objects that should
be extracted, before designing a robotic system that could get them from the tape.
This work proposes a methodology that evaluate the feasibility of a recognition
system based in color images. To get this, we compare and select a proper algorithm
between classic techniques operating over real images.

RESUMEN
En este trabajo se propone un sistema de visión que contribuya a la
automatización de la extracción de material plástico en una Estación de Residuos
Sólidos Urbanos (E.R.S.U.). Esta operación, actualmente manual, es bastante
molesta para los operarios debido, principalmente, al mal olor despedido, estando el
problema de la automatización abierto debido a la extrema dificultad que implica su
solución.
En el proyecto de automatización es necesario proceder a la identificación de los
objetos que deberán ser extraídos, como paso previo a su extracción.

810
 Se propone una metodología donde se evalúa la viabilidad de un sistema de
reconocimiento basado en el tratamiento de imágenes en color, para lo que se
comprobarán los diferentes resultados que ofrecen tanto las técnicas clásicas de
procesamiento sobre imágenes tomadas de la propia operación.

1. INTRODUCCIÓN
La extracción de envase de materiales plásticos o de cartón en una ERSU debe
ser realizada de forma totalmente manual por operarios que los seleccionan en una
cinta de triaje. Simultáneamente se clasifican los materiales según su tipo: PVC,
PEBD, PEAD y PET. Esta labor, de por sí bastante monótona, se ve agravada por el
hecho de realizarse sobre basuras que despiden malos olores y que cuentan con
objetos y materiales de presencia repulsiva. Todo ello implica unas condiciones
laborales muy poco adecuadas que, además, favorecen un bajo rendimiento de los
trabajadores. Cualquier actuación que mejore estas condiciones debe ser
bienvenida, en primer lugar por la consecución de un entorno laboral más humano y
en segundo, como lógica consecuencia, por la obtención de un mayor rendimiento
del trabajo. Estas mejoras deben pasar inevitablemente por la automatización del
mayor número posible etapas del proceso.
Un sistema automatizado que fuera capaz de realizar las tareas apuntadas
constaría de dos partes técnica y conceptualmente diferentes. Por un lado debería
disponer de un sistema de reconocimiento de objetos que fuera capaz de identificar,
y posteriormente clasificar, aquellos que pertenecieran a uno de los tipos apuntados.
Por otro debería contar con una estructura capaz de extraer y depositar el objeto
seleccionado en un recipiente adecuado.
De todo esto se deducen una serie de dificultades que aconsejan limitar las
prestaciones del sistema total a la ejecución de unas acciones lo más sencillas
posibles que generen un comportamiento efectivo y, sobre todo, susceptible de ser
llevado a la práctica de una forma asequible y con garantías de éxito. De todas ellas
la primera que debe ser abordada es la de segmentación de objetos, ya que si no es
posible marcar y posteriormente identificar la totalidad del elemento que debe ser
extraído, esta última acción no podrá ser realizada. Es por ello que en el presente
trabajo se propone la realización de un estudio que aborde el marcado y
segmentación de un determinado objeto dentro de una imagen de la cinta de triaje.
La correcta realización de las tareas señaladas significará la posibilidad de continuar

811
con la ejecución de otras etapas que permitan completar el sistema anteriormente
descrito. Además, permitirá determinar cuáles son las técnicas más adecuadas para
la realización de la identificación propuesta, de tal manera que puedan ser
posteriormente empleadas por el sistema global descrito de forma eficiente.
El trabajo presentado en esta ponencia responde a la necesidad de realizar los
estudios preliminares que permitan evaluar la viabilidad técnica del reconocimiento
de materiales plásticos situados sobre la cinta de triaje manual.

2. SEGMENTACIÓN DE OBJETOS.
Este problema es clásico, y consiste en clasificar los píxeles de una imagen
atendiendo a un criterio de cercanía espacial y de homogeneidad en las propiedades
que definen la superficie del objeto buscado.
Sin embargo, las técnicas aplicadas sobre el color son muy recientes.
Efectivamente la información proporcionada por el atributo de color es mucho más
rica, pero su investigación corresponde a la última década, siendo la mayoría de los
algoritmos propuestos excesivamente complicados y muy costosos desde el punto
de vista de cálculo, lo cual evita que puedan ser empleados en tiempo real.
En esta primera fase no se intentará determinar las diferencias que caracterizan
a los distintos tipos de plásticos, sino identificar únicamente aquellos blancos o
relativamente incoloros que definen el problema más simple de segmentación.
Para ello, se disponen de diferentes técnicas, que pueden clasificarse de manera
general en tres grupos:
- Técnicas de detección de bordes: que corresponden a la búsqueda de
saltos en el gradiente.
- Técnicas sobre el espacio de color utilizado para la representación del
color: que corresponden a la acotación selectiva del espacio de color
utilizando para ello diferentes geometrías que se consideren apropiadas.
- Técnicas que toman en cuenta la relación espacial de los píxeles: que
corresponden a aquellas técnicas que evalúan la presencia de texturas,
considerándolas como entidades diferentes que han de segmentarse
como unidades individuales.
Adecuando estas técnicas a la resolución del problema concreto puede decirse
que la búsqueda de bordes queda descartada debido a la heterogeneidad de los
materiales que son susceptibles a segmentar, puesto que éstos pueden venir en

812
cualquier forma y posición, deformados y superpuestos, por lo que será muy difícil
establecer y reconocer contornos cerrados.
Las técnicas que toman en cuenta la relación espacial y texturas suelen tener la
base de un profundo filtrado gaussiano, por lo que el tiempo de cálculo suele ser
elevado. Por esto no se considerará como apropiadas, con lo que queda intentar una
aproximación mediante operaciones en los espacios de color. Una programación
efectiva del método garantizará rapidez de ejecución, proporcionando tiempos de
cómputo relativamente bajos.
De esta forma, la estrategia que se probará corresponde a la utilización de un
espacio de trabajo adecuado, como es el Lab, sobre el que se establecerá una
región que definirá los puntos de la imagen que vayan a ser incorporados en el
proceso de segmentación.
Para reforzar dicha estrategia hay que recordar que no es necesario el obtener
una segmentación exacta del objeto de plástico, sino una cantidad representativa de
superficie que determine un posible objetivo para idear una estrategia de agarre.

3. EL ESPACIO LAB.
El espacio de partida corresponde al RGB no lineal con el que trabajan los
programas, por ello, hay que realizar una transformación exponencial que es la
corrección gamma para llegar a las coordenadas RGB lineales (1).
 (R ′, G ′, B ′) (R ′, G ′, B′) ≤ 0.018
 (1)
(R, G, B) =  ( R′, G ′, B0.′45
) + 0.099  γ
  ( R′, G ′, B′) > 0.018
 1.099 

Siendo el valor de gamma más usual 2.2, aunque dependerá del dispositivo de
visualización empleado. A partir de aquí puede realizarse la transformación hacia el
espacio XYZ mediante la siguiente matriz (2):
 X   0.490 0.310 0 .200   R
 Y  =  0.177 0.813 0.011  ⋅ G (2)
     
 Z   0.000 0.010 0 .990   B

Para llegar al espacio Lab mediante una transformación no lineal [1,2]. La virtud
de este sistema de representación es ser un espacio uniforme, por lo que son muy
utilizados para todas las aplicaciones que requieran una definición precisa del color.
Dicho espacio presenta en L la coordenada de iluminación, siendo a, b las
coordenadas cromáticas en las que se oponen los colores rojo y verde frente al
amarillo y azul, para lo que se establecen transformaciones mediante la raíz cúbica

813
(3), donde Xn, Yn, Zn son los valores de X, Y, Z para la referencia blanca que se haya
adoptado en el espacio de color origen. Mediante la transformación expuesta se
obtiene un sistema natural para la percepción del color, en el que la longitud de la
recta entre dos colores es una buena aproximación para la distancia entre ellos.

 1

116 ⋅  Y  − 16 ∀ Y > 0.008856

3

 Y 
L=  n Yn
 903 .3 Y  Y
∀ ≤ 0.008856
 Y 
  n Y
(3)
n

 1 1

 X  3  Y  3
a = 500 ⋅   −  
 X n   Y n  

  13   13 
Y Z
b = 200 ⋅   −   
 Yn   Zn  
 

4. ESTABLECIMIENTO DE LA REGIÓN DE INTERÉS.

Para lograr establecer cual es la región de interés para la localización de
materiales plásticos se han realizado dos tomas, por un lado se ha extraído
fotogramas reales de una película tomada en la misma operación de triaje, mientras
que por otro lado se ha tomado fotografías de elementos aislados para determinar
cual es la distribución de los puntos para conseguir la segmentación.
A continuación se presentan algunas de las imágenes tomadas, en concreto la
de dos botellas realizadas en condiciones de laboratorio:

(a) (b)
Figura 1: Fotografías de botellas de plástico tomadas en condiciones de laboratorio con un contraste similar al de la cinta
transportadora.

seguidas de fotogramas extraídos de la película tomada en la ERSU:

814
 (a) (b)
Figura 2: Fotografías de botellas de plástico tomadas de la cinta de triaje manual de la ERSU de Mérida.

A partir de éstas se realiza la transformación hacia coordenadas Lab, y se

normaliza para la componente máxima de iluminación, a fin de tener una misma
base de comparación para iluminaciones diferentes. Con esto se realiza la
representación de los puntos interiores representativos de cada una de las botellas,
arrojando los resultados expuestos en la figura 3 en las que se presenta el plano de
coordenadas a, b y L,a.
Del estudio de la distribución de puntos puede deducirse que el grueso se
encuentra situado en un intervalo cromático para a y b de ±15, y para iluminaciones
altas.

(a) (b)

815
 (c) (b)
Figura 3: Distribución de puntos de color de las botellas representadas en la figura 1: a), b) corresponden a la representación
Lab de los puntos de la figura 1.a y c), d) corresponden a la representación de puntos de la figura 1.b.

5. ESTRATEGIA DE SEGMENTACIÓN.
Para conseguir la segmentación se utilizará una estrategia basada en la
acotación de regiones, para lo cual se ha comprobado que el mejor resultado lo
proporciona un cilindro centrado en el eje de iluminación, con una doble acotación
realizada en dos pasos. El primero destinado a localizar los reflejos producidos
sobre el material plástico, y un segundo de selección de zonas circundantes. Por ello
el método seguido corresponde a los siguientes pasos [2]:
- Normalizar por el valor máximo de iluminación.
- Tomar aquellos puntos de la imagen contenidos en un cilindro situado en la parte
superior del eje de iluminación con radio 15 y con iluminación contenida en el
intervalo [90,100]. Con esto se pretende establecer el núcleo de color de los
materiales plásticos, aunque estos aparezcan incompletos.
- Para aumentar el objetivo se añade un segundo procesamiento que consiste en
sumar aquellos píxeles que son conexos con el núcleo anteriormente localizado y
que responden al intervalo más amplio de radio 25 e iluminación en el intervalo
[60,100]. Con esto es posible lograr una detección como la que se ilustra en la
figura 4.

6. CONCLUSIONES.
Es posible realizar la presegmentación de materiales plásticos atendiendo al
reflejo que producen, que puede ser un buen resultado para el entrenamiento de una
red neuronal diseñada para la labor final de segmentación.

816
 (a) (b)

(c) (d)
Figura 4: Selección de objetivos producidas por la segmentación en el espacio Lab según la estrategia propuesta.

7. REFERENCIAS.
[1] Jain, A. K.: “Fundamentals of Digital Image Processing”, Prentice Hall. Englewood
Cliffs, NJ USA. 1989.
[2] Plataniotis, K. N., Venetsanopoulos, A. N.: “Color Image Processing and
Applications”, Springer-Verlag, Berlín Heidelberg 2000.

8. CORRESPONDENCIA.
Enrique Martínez de Salazar Martínez.
Profesor Asociado del Área de Proyectos. Dpto. de Expresión Gráfica. UNEX.
Escuela de Ingenierías Industriales. Av. de Elvas s/n. 06071. Badajoz.
Teléfono: 924 289600. Correo Electrónico: dsalazar@unex.es

817