Asignación 1

Nombre del Alumno: Uriel Ruiz Reyes

Número de Matrı́cula: 120758

Objetivo Realizar un ensayo (mı́nimo cuatro páginas) en el que se refleje el análisis de cuatro
artı́culos cientı́ficos, en los que se implementen sistemas de visión por computadora
para resolver una problemática especı́fica.
Los artı́culos deben ser de revista y no deben ser anteriores a 2013 .

Introducción Los sistemas de visión ofrecen soluciones a tareas repetitivas o en sustitución de

sistemas de alto consumo de energı́a, son una alternativa confiable, sostenible y cuyo
veredicto final booleano puede ser repetible sin verse afectado por los factores a los
que los humanos somos susceptibles. La visión computarizada o sistemas de visón
esta relacionad a la extracción y análisis de información obtenidas de la captura
de una imagen o una sucesión de varias imágenes, el procesamiento de imágenes
conlleva a la utilización de algoritmos que hagan capaz de trabajar una imagen en
forma de representación matricial de datos, para ello se debe de ”descomponer” la
imagen y retirar toda la información que no es objeto de análisis, esto se hace por
medio de una serie de pasos, primero se tiene que suavizar la imagen o reprocesar
luego se binariza , posteriormente se segmenta y finalmente se extra el objeto
deseado.
Existen distintos propósitos para esta ciencia, el más común y redituable de ellos
es su uso en la industria, como sistema de calidad, como ayuda para el diseño de
prototipo o incluso el análisis de seguridad de los productos.

Materiales y Equipo
1. Bases de datos UACJ
2. IEEE

3. Overleaf
4. Internet
5. Información propuesta por el docente

1 of 8
Esquema

Figure 1: Esquema tı́pico de un sistema de visión.

Procedimiento
Intelligent Sorting System of Coal Gangue with Machine Vi-
sion
La problemática de a la que trata este articulo está relacionada a la industria del
carbón en China la cual es considerada un trabajo de riesgo y conlleva un desgaste
fı́sico y emocional para todos sus trabajadores. Una de las partes de proceso del
minado de carbón es el clasificado de las rocas sobrantes, son rocas duras de color
negro a gris y contienen un grado bajo de carbón, una correcta segregación de este
material reduce los costos de trituración además del costo del lavado del carbón.
En el método actual se separan las rocas en húmedo y después en seco y después
se clasifican manualmente. Dentro de estos procesos se utiliza un equipo complejo,
muy grande, con poca eficiencia y contribuye a la contaminación de los ecosistemas,
sumado a esto el proceso de clasificado utiliza rayos x por lo cual es una fuente de
radiación.
La propuesta del sistema de visión de sistema de clasificado inteligente, con control
independiente de brazos mecánicos, clasificado automático provee mayor eficien-
cia, estabilidad y confiabilidad. Con esto busca mejorar la eficiencia del proceso,
reduciendo costos y librar a los trabajadores de los riesgos que conllevan estos
procesos. El sistema está compuesto por el dispositivo de reacondicionamiento, el
dispositivo de control de la visión artificial, el sistema de ejecución y el control
de host por computadora. Primero el carbón minado pasa por el dispositivo de
reacondicionamiento que los separa para que el sistema de adquisición de imágenes
capture las imágenes de cada uno de los elementos y posteriormente son comuni-
cadas a la computadora. Cuando llegan a la computadora estas son trabajadas por
un sistema basado en MATLAB y accesos a bases de datos las cuales identifican
de que material se trata, cuando el sistema reconoce si se trata de rocas o carbón
se transfiere la información hacia el PLC el cual comunica a los brazos mecánicos
cuales elementos debe separar.

2 of 8
Figure 2: Histogramas obtenidos de la segmentación de las imágenes de los dos
objetos.

El procesamiento de las imágenes capturadas por el sistema consiste en el suavizado

de la imagen cuya finalidad es apartar el ruido que afecta a las imágenes adquiridas
debido al ambiente que se tiene en las minas, después se modifica la nitidez de las
imágenes para resaltar los detalles, en especial la parte perimetral de los objetos
a identificar, el paso posterior es la segmentación este proceso se divide en tres
métodos el primero es obtener información de la imágenes en forma de histograma,
el segundo se trata de la segmentación el perı́metro de las formas de los objetos
y el tercero se basa en la segmentación de la región del objeto. En la etapa de
reconocimiento de la imagen se hace diferenciación de las escalas de grises en las
cuales difieren las rocas y el carbón, estas diferencias pueden ser observadas en la
información de los histogramas pudiendo diferenciar un objeto de otro, un factor
importante que debe ser eliminado es el fondo de la imagen para evitar su influencia
en la escala de grises mostrada en el histograma.

Figure 3: Imágenes del carbón y las rocas con la influencia del fondo eliminada.

3 of 8
Detection of Fruit Skin Defects Using Machine Vision System
El presente artı́culo también se sitúa en China que representa uno de los paı́ses
con una de las mayores producciones frutales. La razón de la implementación las
tecnologı́as es la variación de la calidad y estado de las frutas para esto es necesaria
la ayuda de los sistemas inteligentes para poder competir en este mercado. Es
importante entender que los consumidores a su vez realizan una evaluación visual
para reconocer la frescura de en el aspecto de los frutos por lo tanto cualquier
defecto en la pile influirá en su definición de compra, este es un factor de peso en
cuanto al precio y la calidad de este tipo de productos, dado esto las empacadoras
buscan sistemas confiables y capaces de detectar defecto en la piel de las frutas

El sistema consiste en un convoyar en el cual son colocadas las naranjas en este

caso, las cuales viajan a una velocidad considerable, y posteriormente son clasi-
ficadas y empacadas en lotes, para contrarrestar la velocidad en que viajan las
naranjas se utilizan cámaras capaces de adquirir imágenes con la suficiente calidad
con obturadores que también combinan una adecuada iluminación. Con este dis-
positivo se pueden discriminar las frutas utilizando métodos de machine learning
para diferenciar una piel normal de las naranjas de alguna con un defecto.

Figure 4: Diagrama del sistema de visión utilizado.

Una caracterı́stica importante para diferenciar las naranjas de buena calidad es

el color. Para este investigación se utilizó el sistema RGB y el método de ma-
chine learning es el Support Vector Machine, el cual es una representación de dos
muestras como puntos en un espacio posteriormente son mapeados, estas muestras
representaran las dos categorı́as por lo cual deben ser lo más distintas posibles
para poder hacer una correcta discriminación, cuando se tomen nuevas muestras
igualmente serán mapeadas en el mismo espacio y posteriormente serán mapeadas
según la categorı́a a la que se asemejen.

Este sistema se utilizó con 650 imágenes para entrenar el sistema, 300 correspondı́an
a naranjas con defectos en la piel y se tomar 50 nuevas con defectos las cuales con-
taban con 61 defectos, el sistema fue capaz de detectar 59 de estos defectos, los
otros 2 defectos que no fueron detectados resultaron no ser tan obvios. La tasa de
recuperación fue de 96.7 % (59/61) destacando que se detectó un falso defecto por
lo tanto la tasa de falsos defectos es de 1.7%

An Automatic Sorting System for Sorting Metal Cylindrical

Workpiece Based on Machine Vision and PLC Technology
Este articulo plantea la problemática de clasificar piezas cilı́ndricas, esto se logra
con dispositivos que miden la longitud de las piezas basado en escaneo en 3D por

4 of 8
láser. El sistema está compuesto por una banda o conveyor, un interruptor fo-
toeléctrico, rieles guı́a y una cámara. El sistema en este caso utiliza LabVIEW
como el software para procesar las imágenes y un sistema PLC para controlar los
actuadores que harán el trabajo de fı́sico de clasificar los cilindros. El algoritmo
del sistema de visión está diseñado para reconocer las rebabas que se crean en los
bordes de las piezas mecanizadas y comúnmente son consideradas un defecto.

Figure 5: Flujo de proceso del sistema utilizado.

El procesamiento consto de dos partes el reacondicionamiento de la imagen y la

detección de las figuras. En la primera parte convirtió las 3 capas de la imagen, que
representan los colores R, G y B, con una función para obtener la imagen en escala
de grises, para eliminar el ruido de la imagen el sistema utiliza la mediana, luego
de eliminar el ruido sigue la detección del perı́metro de las figuras y la binarización,
proceso que es realizado en LabVIEW.

En la parte de reconocimiento de caracterı́sticas se utilizó un algoritmo estadı́stico

para detectar la rebaba en los bordes para seleccionar un umbral de decisión para
comparar y discriminar. Posteriormente se ajusta una figura circular para facilitar
la prueba de comparación, luego se agrega otra región circular mayor, y se calcula
la distancia entre el circulo trazado y el circulo real (que se obtiene con la vista
superior de la figura), posteriormente se colocan 3 umbrales el umbral mı́nimo y el
umbral con respecto al promedio, también se agrega una desviación de umbral, se
compara si el Valor mı́nimo y el valor promedio son menores a el umbral mı́nimo
y al umbral promedio respectivamente se califica como bueno.
Cuando el sistema toma la decisión esta tarea se pasa al PLC el cual controla la
velocidad del conveyor y el actuador para separar las piezas consideradas como no
aptas.

Figure 6: Imagen de un cilindro con los cı́rculos de referencia.

5 of 8
Implementation of Machine Vision as an Input to a Fuzzy
Water Level Control System
Este documento presenta un sistema de lógica difusa asistido por un sistema de
visión como alternativa a los controladores PID actuales con propósitos industri-
ales en los sistemas de tanques que suelen utilizar grandes cantidades de energı́a. El
sistema de visión corresponde a los sensores del PID y los LVDTs para el monitoreo
del nivel de agua dentro de los tanques. El controlador del sistema es un Arduino
que en este caso se encarga de la regulación de las bombas que mantienen un nivel
especifico de agua dentro de las condiciones definidas, todo esto con el propósito
de demostrar que un sistema de lógica difusa representa una solución con mayores
prestaciones que las técnicas de control convencionales.

La arquitectura del sistema comprende el software Roborealm el cual maneja el

sistema de visión, el microcontrolador Arduino que se encarga del control de las
bombas, se menciona que se trata de emular un sistema de control PID por medio
del control de la lógica difusa combinando el procesamiento digital de imágenes. El
manejo de la información es llevado acabo por una computadora que asesora a el
sistema con respecto a todas las alteraciones. Siendo más precisos el sistema se com-
pone de un microntrolador Arduino Uno, una bomba sumergible, una cámara web
de uso común, relevadores y una fuente de poder. El sistema funciona adquiriendo
imágenes del tanque de agua, si el nivel del agua es mayor que el nivel de umbral
deseado, el agua que pasa a través de las bombas decaerá, en el caso contrario las
bombas suplirán el agua que se va drenando del tanque hasta el umbral deseado.

Figure 7: Diagrama del sistema de lógica difusa con un sistema de visión utilizado
en el artı́culo.

El sistema de lógica difusa utiliza funciones de membresı́a triangular debido a las

limitaciones de Arduino y el grado de pertenencia de una variable lingüı́stica está
en un rango de 0 a 50, las funciones de trasferencia representan lo que el sistema
de visión entiende como ”Fondo”, ”medio” y ”parte superior” y las funciones de
membresı́a para la entrada son ”bajo”, ”medio” y ”alto”. Las reglas del sistema
de lógica difusa relacionan estás funciones de membresı́a de la entra y la salida de
la forma: ”Si el sistema de visión está en ”Bajo” por lo tanto este nivel representa
su ”parte superior” y los niveles ”Medio” y ”Alto” se encuentran en el ”Fondo”,
o como lo describe el artı́culo: ”Si el nivel del agua es más bajo que el nivel de

6 of 8
umbral deseado la bomba de agua aumentara la proporción de agua que ingresa al
tanque”. El sistema de visión que detecta la profundidad a la que se encuentra una
pelota dentro del tanque es la que proporciona los niveles de entrada en el sistema
de lógica difusa. Conforme el agua vaya aumentando de nivel la pelota flotara más
alto, este nivel detectado se mostrar con una interfaz de leds.

Los resultados en las pruebas del sistema fueron favorables para la lógica difusa
demostrando que el sistema de rallando del tanque de agua además de que el sistema
de visión tiene la posibilidad de manejar proporcionalmente los datos que produzca
el nivel del agua del tanque. El sistema fue capaz de mantener el nivel del agua en
el umbral especificado.

7 of 8
Referencias M. Zhao, ”Intelligent Sorting System of Coal Gangue with Machine Vision,” 2018
Bibliográficas 10th International Conference on Intelligent Human-Machine Systems and Cyber-
netics (IHMSC), Hangzhou, 2018, pp. 4-7. doi: 10.1109/IHMSC.2018.10107

L. Wang, A. Li and X. Tian, ”Detection of Fruit Skin Defects Using Machine Vision
System,” 2013 Sixth International Conference on Business Intelligence and Finan-
cial Engineering, Hangzhou, 2013, pp. 44-48. doi: 10.1109/BIFE.2013.11

L. Peilin, Y. Zhen, Z. Wenlong and L. Hong, ”An automatic sorting system for sort-
ing metal cylindrical workpiece based on machine vision and PLC technology,” 2017
2nd International Conference on Robotics and Automation Engineering (ICRAE),
Shanghai, 2017, pp. 446-450. doi: 10.1109/ICRAE.2017.8291427

R. Alimuin, E. Calilung and E. Dadios, ”Implementation of machine vision as an

input to a fuzzy water level control system,” 2017IEEE 9th International Confer-
ence on Humanoid, Nanotechnology, Information Technology, Communication and
Control, Environment and Management (HNICEM), Manila, 2017, pp. 1-6.

8 of 8