Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Asesor de Tesis:
Dr. José Antonio Vázquez López
Uno de los problemas a los que se enfrenta la industria es el detectar todas las piezas
fuera de parámetros de rugosidad, ya que en la actualidad no se realiza la medición del 100%
de las piezas. Normalmente este parámetro es calculado con métodos tradicionales de contacto
como el rugosímetro de palpador, que presenta ciertas limitaciones.
En los últimos años se han ido introduciendo nuevas técnicas para mejorar la calidad de
las piezas y caracterizar la rugosidad de una forma más eficiente, en este trabajo se ha propuesto
un sistema basado en visión artificial el cual permitirá determinar la rugosidad por medio del
procesamiento de imágenes, utilizando la transformada wavelet y un perceptrón multicapa para
realizar la cuantificación de rugosidad.
Antecedentes
Al inicio de las máquinas y herramientas se requería de la medición del acabado superficial
(rugosidad) pero debido a que no existía el equipo adecuado se realizaba la medición por tacto
y se hacía una comparación por apreciación u opinión, pero esto provocaba errores en la
interpretación ya que dependía del sentido del tacto y como esto es personal, por consecuencia
las opiniones del cliente y proveedor casi siempre eran diferentes.
Una superficie perfecta es una abstracción matemática, ya que cualquier superficie real, por
perfecta que parezca, presentará irregularidades que se originan durante el proceso de
fabricación.
El acabado superficial de los cuerpos puede presentar errores de forma macro geométricos
y micro geométricos. Las irregularidades menores (micro geométricas) son la ondulación y la
rugosidad. La primera pueden ocasionarla la flexión de la pieza durante el maquinado, falta de
homogeneidad del material, libración de esfuerzos residuales, deformaciones por tratamiento
térmico, vibraciones, etcétera; la segunda la provoca el elemento utilizado para realizar el
maquinado, por ejemplo, la herramienta de corte o la piedra de rectificado.
La rugosidad (es la huella digital de una pieza) son irregularidades provocadas por la
herramienta de corte o elemento utilizado en su proceso de producción, corte, arranque y fatiga
superficial.
La visión artificial consiste en la captación de imágenes en línea mediante cámaras
CCD(dispositivo de acoplamiento de carga), y su posterior tratamiento a través de técnicas de
procesamiento avanzadas, permitiendo así poder intervenir sobre un proceso (modificación de
variables del mismo) o producto (detección de unidades defectuosas), para el control de calidad
y seguridad de toda la producción.
1.1 Planteamiento del problema
La creciente demanda en la calidad de los productos y la necesidad de que las piezas tengan
cada vez más un mejor acabado ha supuesto que los comités de normalización hayan tenido que
seguir trabajado en la propuesta y definición de nuevos parámetros y métodos de medición de
la rugosidad. Los métodos de medida para caracterizar las superficies han variado mucho a lo
largo de las últimas décadas. Inicialmente se utilizaron palpadores de contacto muy sencillos.
1.2 Objetivo
1.3 Justificación
En este trabajo se presenta una técnica de visión artificial basadas en el análisis de imágenes
aplicadas para la predicción y evaluación de la rugosidad de una superficie en los procesos de
fabricación de piezas de contacto y rozamiento, para evitar el desgaste y deterioro se debe de
cumplir ciertos estándares de calidad.
El método de visión para medición de rugosidad es más rápido y menos costoso que la
medición con rugosímetro además que este presenta algunas limitaciones, como una precisión
reducida ya que sólo miden una línea de la superficie, poca eficiencia debido a la baja velocidad
y la difícil exploración en zonas de tamaño reducido, la punta palpadora puede rayar en mayor
o menor medida la superficie a evaluar, la medida de la rugosidad superficial tiende a ser
dependiente de la resolución del instrumento utilizado. Para mejorar el control de calidad y
evaluar la rugosidad, se necesitan técnicas más adecuadas que permitan obtener el valor de
forma rápida y precisa.
1. ¿Qué elementos se requieren para la captura de una imagen y por medio de esta
obtener la medición de rugosidad?
2. ¿Sera igualmente efectivo el medir con un rugosímetro que con un sistema de visión
artificial?
1.5 Hipótesis
1.8 Alcances
1.9 Limitaciones
Los perfiles obtenidos consisten en una serie de picos y valles que se separan de manera
más o menos irregular sobre la intersección del plano de corte y la superficie geométrica teórica.
(Villanueva & Ramos, 1989).
Si se corta una superficie por un plano, se obtiene una curva llamada perfil de la superficie.
Es a partir de este perfil que se analizan los diferentes defectos. Estos se clasifican en cuatro
órdenes (Rodríguez, 2009):
Son los defectos de forma como son, desviaciones de rectitud, de circularidad, etc.
Defectos de segundo orden
Se caracterizan por una línea ondulada. Se obtiene trazando la línea envolvente superior
que pasa por la mayoría de las crestas.
Defectos de tercer orden
Caracterizan la rugosidad de la superficie, son defectos constituidos por crestas o valles.
Defectos de cuarto orden
Son aquellos constituidos por arrancamientos, fracturas, etc.
• Moldeo
• Forja
• Estampación
• Laminado
• Extruido
• Máquinas herramientas de arranque de viruta
• Máquinas herramientas sin arranque de virutas
• Máquinas herramientas que utilizan abrasivos
• Bruñido
• Chorro de arena
• Barrilado
• Chorro de perdigones (Shot Peening)
2.1.4 Rugosidad
Distancia entre el pico de cresta más alto y el fondo del valle más profundo dentro de la
longitud básica.
Media de los valores absolutos de las alturas de las cinco crestas yp más altas y los cinco valles
más profundos yv dentro de la longitud básica.
2
Los valores de rugosidad Ra pueden indicarse bien por su valor normalizado o por su
número de clase indicados en la tabla.
Tabla 2 Clases de rugosidades. Aplicaciones (Poveda, 2001)
Es de suma importancia conocer las clases de rugosidad para poder determinar cuál es
aplicable para un acabado en específico y tener en cuenta cual es el Ra que se debe obtener de
acuerdo a la tabla 2 que muestra las clases asignado una letra mayúscula N, tomando en cuenta
la clase se indica que grado de rugosidad debe de tener con respecto a la clase, se indica Ra en
(µm).
La visión artificial trata de simular el proceso del sentido de la visión de los seres vivos,
según el cual un objeto es captado mediante los receptores de la retina y es transformado en
impulsos nerviosos que son procesados por el cerebro.
2.2.2 Iluminación
(Cortázar, 2006) Plantea que la iluminación es considerada como la parte más crítica
dentro de un sistema de visión artificial. Las cámaras, de momento, son mucho menos
sensibles y versátiles que la visión humana y las condiciones de iluminación deben
optimizarse al máximo para que una cámara pueda capturar una imagen que el ojo humano
podría distinguir sin necesidad de una iluminación tan especializada.
El propósito del sistema de iluminación utilizado en las aplicaciones de visión es
controlar la forma en que la cámara va a ver el objeto. La luz del sistema de visión artificial
refleja de forma distinta si se ilumina una bola de acero, que si se ilumina una hoja de papel
blanco y el sistema de iluminación por tanto debe ajustarse al objeto a iluminar.
Existen cuatro modelos de anillos con iluminación difusa: los LFR que presentan una
estructura plana, como si se tratara de un disco, con cierta inclinación en los modelos LFR-
K, los modelos LKR que tienen una estructura cónica produciendo una luz difusa homogénea
focalizada y libre de reflejos y los modelos HPR de alta potencia, alto brillo y máxima
uniformidad (Infaimon, 2015).
Led angular difuso de bajo ángulo Este tipo de iluminación permite resaltar los relieves,
pero a la vez elimina los reflejos en elementos especialmente reflectantes como, metal,
plástico, o cristal.
Domo de leds
2.2.3 Cámaras
La función de las cámaras en visión es capturar la imagen proyectada en el sensor, vía las
ópticas, para poder transferirla a un sistema electrónico y que pueda procesar, interpretar,
almacenar y/o visualizar la información. Este sistema puede ser un monitor para visualizar la
imagen, o un PC para visualizar, almacenar, procesar y medir (Infaimon, 2015).
Las cámaras de video han tenido una rápida evolución en los últimos años, desde las
primeras cámaras de video que estaban equipadas con tubos Vidicón hasta las más modernas
cámaras provistas de sensores CCD (Charge Coupled Devide).
El termino cámara matricial se refiere a que un sensor de la cámara cubre un área o que
está formando por una matriz de píxeles. Una cámara matricial produce una imagen de área,
normalmente con una relación de aspecto de 4 a 3. Esta relación viene de los tiempos de las
cámaras Vidicón y de los formatos de cine y televisión. Actualmente existen muchas cámaras
que ya no siguen los formatos de televisión, o se adaptan a los nuevos formatos alta
definición 16:9.
Los sensores de cámaras modernos son mayoritariamente CCD que utilizan material
sensible a la luz para convertir los fotones en carga eléctrica. Miles de diodos sensibles se
posicionan de forma muy precisa en una matriz y los registros de desplazamiento transfieren
la carga de cada píxel para formar la señal de video (Infaimon, 2015).
Puesto que no todas las imágenes son aptas para su análisis, es importante mencionar
algunos de los términos más comunes (Cortázar, 2006).
Imagen digital: Se define como la representación numérica de un objeto, los pixeles son
unidades discretas y la escala de grises cuantificada suple la componente numérica.
Figura 2-7 Etapas fundamentales del procesamiento digital de una imagen (Cortázar, 2006).
Descripción: También llamada selección de rasgos, consiste en extraer rasgos con alguna
información cuantitativa de interés o que se fundamental para diferenciar una clase u objeto.
∞
𝐶(𝑠𝑐𝑎𝑙𝑒, 𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛) = ∫ 𝑓(𝑡)Ѱ(𝑠𝑐𝑎𝑙𝑒, 𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛)𝑑𝑡
−∞
La más grande ventaja es su habilidad para realizar análisis local—es decir, analizar un
área localizada de una señal más grande. Veamos un ejemplo:
Una gráfica de los coeficientes de Fourier muestra sólo un espectro plano con dos picos
que representan una sola frecuencia. Sin embargo, una gráfica de los coeficientes de wavelets
muestran claramente la localización exacta, en el tiempo, de la discontinuidad (Cortázar,
2006).
1 𝑐𝑢𝑎𝑛𝑑𝑜 𝑡 ∈ [0,1)
Φ(t) = {
0 𝑠𝑖 𝑡 ∈ 𝑅 − [0,1)
Figura 2-10 Grafica de la función Φ (Márquez, 2007)
teorema fundamental del cálculo, que dice: Sea f una función continua en el intervalo [a,b],
𝑏
entonces ∫𝑎 𝑓(𝑥)𝑑𝑥 = 𝐹(𝑥)|𝑏𝑎 =F(b)-F(a), donde F es cualquier función tal que F´(x)=f(x)
para todo x en [a,b] (Márquez, 2007).
2.3.3 Transformada Wavelet dos niveles
1 1 1
𝐻2 = [ ] 5
√2 1 −1
Esta base de funciones define el banco de 2 filtros FIR (Finite Impulse Response) que
satisface las condiciones de los QMF (Quadrature Mirror Filters). Los coeficientes de los
filtros QMF de análisis h0(n) y g0(n) son los elementos de la primera y segunda fila de la
matriz H2 respectivamente (Márquez, 2007).
De igual manera se definen las funciones scaling de Haar de nivel 1 cuyos coeficientes
son los de la primera fila de la matriz H y donde el orden o desplazamiento de los coeficientes
en la wavelet varía entre 1 y la mitad de la dimensión N o dimensión de la señal de partida:
Tanto las funciones wavelet como scaling de Haar a nivel 1 cumplen cinco propiedades
básicas:
c) Las funciones wavelet tienen una media igual a 0 y las scaling igual a 1/√2.
e) La familia de funciones wavelet y scaling forman una base ortonormal de RN, ya que
todas tienen norma unitaria y el producto interno entre ellas dos a dos es igual a 0.
2.4 Perceptrón Multicapa
Las limitaciones de las redes de una sola capa hicieron que se plantease la necesidad de
implementar redes en las que se aumentase el número de capas, es decir, introducir capas
intermediarias o capas ocultas entre la capa de entrada y la capa de salida de manera que se
pudiese implementar cualquier función con el grado de precisión deseado, es decir, que las
redes multicapa fuesen aproximadores universales. Por ejemplo, con un Perceptrón con dos
capas se puede implementar la función lógica XOR.
De manera general, se puede ver que cualquier función Booleana de {0,1} N → {0,1} se
puede implementar con un perceptrón multicapa utilizando una sola capa intermedia de
unidades de proceso bipolares. Las entradas y las salidas también van a ser valores bipolares
(-1 ó 1). Para implementar una función Booleana vamos diseñar una red neuronal con tantas
unidades de proceso en la capa intermedia como argumentos de la función Booleana a los
que le asigna el valor 1 (salida verdadera). Por lo tanto, a cada patrón de entrada que tenga
salida igual a uno le asignamos una unidad de proceso cuyos pesos sinápticos van a ser los
mismos valores de la entrada y el umbral o sesgo va a ser igual a N. Finalmente, utilizando
una unidad de salida bipolar con sus pesos sinápticos iguales a 1 y un umbral o sesgo también
igual a 1 conseguimos la representación deseada. (Cowan & Hishar, 1988)
Al patrón de entrada (1, -1) le asigna la salida (1, 0); al patrón de entrada (-1, 1) le
asigna la salida (0, 1); al patrón de entrada (1, 1) le asigna la salida (0,0) y al patrón de entrada
(-1,-1) le asigna la salida (0,0), como se muestra en la figura 8. Los patrones de entrada no
son separables linealmente pero una vez transformados por las neuronas de la capa intermedia
sí son ya separables linealmente (Cowan & Hishar, 1988).
Figura 2-12 Transformación que realiza la capa intermedia. (Cowan & Hishar, 1988)
Al tener estas redes una topología más complicada, también se complica la forma para
encontrar los pesos correctos, ya que el proceso de aprendizaje es el que decide qué
características de los patrones de entrada son representadas por la capa oculta de neuronas.
Se ha observado que se puede implementar cualquier función Booleana mediante un
perceptrón
El diagrama para una red con una sola neurona se muestra en la Fig. 9. Aquí, la entrada
escalar (xi) se transmite a través de una conexión que multiplica su fuerza por el peso-escalar
(w) para formar el producto (wx), de nuevo un escalar. Las entradas a la neurona pueden ser
desde el entorno real o de las otras neuronas. Su salida se puede introducir en otras neuronas
o directamente en el medio ambiente. Además, esta neurona tiene un sesgo escalar (bj). La
salida (yi) es producido por una función de activación y la red es entrenada mediante el ajuste
de los pesos (w) y el sesgo (b) para lograr el fin deseado.
Los pesos de la red se ajustan iterativamente para capturar la relación entre los
patrones de entrada y de salida.
𝒙𝟏 𝒘𝟏𝒋
𝑹𝒆𝒅𝒋
𝒘𝟐𝒋
𝒙𝟐 ∑𝒘𝒊𝒋 𝒙𝒊 +𝒃𝒋 f(activación) 𝒚𝒊
......
𝒘𝟑𝒋
𝒙𝟑
𝒃𝒋 Sesgo
Una vez que una señal es probada (en forma digital), puede ser manipulada usando
métodos matemáticos. Para ilustración suponga que se generan un grupo de muestras al azar
de N en MATLAB como sigue (Rosenberg, Hunt, & Lipsman, 2001):
Figura 2-14 Imagen convertida a escala de grises de tamaño 128 x64 (que es 64 filas y 128 columnas) (Rosenberg, Hunt,
& Lipsman, 2001).
Dado que el espacio de memoria es lineal, los mismos píxeles que forman la matriz de la
imagen X (m, n) se asignan en el orden de exploración. Esto se representa en la Figura 2-13
Figura 2-15 Mapeo del video de memoria. Imagen proyectada a dos – dimensional, sobre una memoria de uno
–dimensional (Rosenberg, Hunt, & Lipsman, 2001).
El más importante de estos casos especiales es el que contiene k factores, con cada
uno a dos niveles. Estos niveles pueden ser cuantitativos, como dos niveles de temperatura,
presión o tiempo, o podrían ser cualitativos, como dos máquinas, dos operadores o tal vez la
presencia o ausencia de un factor. Una réplica completa de un diseño 2k requiere 2 2 ……..
2 = 2k observaciones y es llamado diseño factorial 2k.
El diseño 2k es de particular utilidad en las etapas iniciales del trabajo experimental,
cuando hay muchos factores a ser investigados. Este diseño proporciona el menor número de
corridas con las que pueden estudiarse k factores en un diseño factorial completo. Por
consecuencia estos diseños son ampliamente usados en experimentos de filtrado de factores.
Dado que hay solo dos niveles para cada factor, nosotros asumimos que la respuesta
es aproximadamente lineal sobre el rango de los factores escogidos. En muchos experimentos
de filtrado de factores, cuando estamos en un punto inicial en el estudio del procesos o
sistema, esto es usualmente una suposición razonable (Montgomery, 2014).
2.6.1.1 El diseño 22
El primer diseño en la serie 2k es que contiene solo dos factores, digamos A y B, cada
uno a dos niveles. Este diseño es llamado diseño factorial 22. Los niveles de los factores
pueden ser llamados de forma arbitraria como ‘’bajo’’ y ‘’alto’’.
Tabla 4 de un diseño 22 efecto (Montgomery, 2014)
Factor Combinación de
A B tratamientos
- - A bajo, B bajo
+ - A alto, B bajo
- + A bajo, B alto
+ + A alto, B alto
El efecto de un factor se denota con una letra mayúscula latina. Por lo cual “A” se refiere
al efecto del factor A, “B” al efecto del factor B y “AB” a la interacción de AB. En el diseño
22 los niveles bajo y alto de A y B se denotan por “-” y “+”, respectivamente en los ejes A y
B.
En un diseño factorial con dos niveles, el efecto promedio puede definirse como el
cambio en la respuesta producido por un cambio en el nivel de ese factor promedio para los
niveles de otro factor (Montgomery, 2014).
El primer paso es estimar los efectos de los factores y examinar sus signos y
magnitudes. De este modo el experimentador obtiene información preliminar respecto a los
factores y a las interacciones que pueden ser importantes, y en qué dirección deberán
ajustarse estos factores para mejorar la respuesta.
Para formar el modelo inicial del experimento, por lo general se usa el modelo
completo, es decir, todos los efectos principales y las interacciones, siempre que se haya
hecho una réplica de al menos uno de los puntos del diseño.
Aun cuando los cálculos descritos se realizan por lo general con una computadora, en
ocasiones es necesario calcular manualmente la estimación de un efecto o la suma de
cuadrados de un efecto. Para estimar un efecto primero debe calcularse el contraste del efecto.
Para valores grandes de k, puede usarse un método alternativo. En general el contraste del
efecto AB…K se determina expandiendo el miembro derecho (Montgomery, 2014).
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴𝐵…𝐾=(𝑎±1)(𝑏±1)…(𝑘±1)
𝐾
Tabla 6 Análisis de varianza de un diseño 2
Grados
Fuentes de Suma de de
variación cuadrados libertad
k efectos principales
A 𝑆𝑆𝐴 1
B 𝑆𝑆𝐵 1
. . .
. . .
. .
𝑆𝑆
.
𝐾
K 1
(𝑘2 ) interacciones de dos factores
AB 𝑆𝑆𝐴𝐵 1
AC 𝑆𝑆𝐴𝐶 1
. . .
. . .
. . .
JK 𝑆𝑆𝐽𝐾 1
𝑘 interacciones de tres factores
(3 )
ABC 𝑆𝑆𝐴𝐵𝐷 1
ABD 𝑆𝑆𝐴𝐵𝐶 1
. . .
. . .
. . .
IJK 𝑆𝑆𝐼𝐽𝐾 1
. . .
. . .
. . .
(𝑘𝑘 ) =1 interacciones de k
factores
ABC….K 𝑆𝑆𝐴𝐵𝐶…𝐾 1
Error 𝑆𝑆𝐸 2𝐾 (n − 1)
Total 𝑆𝑆𝑇 𝑛2𝐾 − 1
2.6.3 Diseños factoriales fraccionados
El uso exitoso de los diseños factoriales fraccionados se basan en tres ideas clave:
(Montgomery, 2014) señala que en la práctica, los diseños factoriales fraccionados 2k-p con
N=4, 8, 16, y 32 corridas son muy útiles.
Objetivos principales
De acuerdo con Montgomery (2014) se tienen como mínimo dos objetivos principales en
los diseños factoriales fraccionados:
Como consecuencia de correr sólo una fracción del diseño factorial completo se tienen como
consecuencias algunas desventajas entre las que destacan:
Con el uso de diseños factoriales fraccionados también se obtienen ventajas en las que
destacan:
Estructura de alias
La estructura de alias es un arregló que muestra la forma en que los términos del diseño
quedan confundidos unos con otros. La estructura de alias se obtiene al multiplicar cada
término del diseño por cada termino o ‘‘palabra’’ de la relación definidora. Por ejemplo, si
se multiplica A por ABC se genera A*ABC = A2*BC = I*BC = BC, esto significa que el
factor A esta correlacionado con la interacción BC (Montgomery, 2014).
Un diseño factorial 23 se muestra en la tabla 2.3 en el que los signos positivos y negativos de
la interacción ABC son agrupados y dividen el diseño original en dos fracciones.
Se puede observar que las corridas que forman ambas fracciones en la tabla 2.4 todos los
factores están dos veces en nivel alto (+) y dos veces en nivel bajo (-), además en las
corridas en que un factor tiene los mismos signos, los otros factores tienen un signo más y
uno menos. Lo anterior se desprende de la propiedad de ortogonalidad. Al correr alguna de
las fracciones que se muestra en la tabla 8 no se podrá estimar el efecto ABC, puesto que no
tiene contraste: por ejemplo, para la fracción 1, el contraste ABC tiene sólo signos +, por lo
que no existe tal contraste.
Debido a que el “contraste ABC” sólo tiene signos positivos, se dice que se confunde o se
alía con el total de los datos, o dicho de otro modo, el efecto ABC se confunde con la media
global.
Relación definidora
En la estructura de alias del diseño 23-1 con I = ABC, (Montgomery, 2014), señala que
al estimar los efectos potencialmente importantes con cualquiera de las fracciones dadas en
la tabla 8, resulta que cada efecto estimado tiene un alias. Se considera por ejemplo, la
fracción 1 de la misma tabla 8. En este diseño se generó con I= +ABC, que en este caso
también es la relación definidora, ya que define totalmente la estructura del alias del diseño,
la cual consiste en escribir de manera explícita cuáles son los alias de cada efecto, y esta
estructura se deduce fácilmente del generador de la fracción, considerando el signo utilizado,
por ejemplo en la tabla 8, el contraste del efecto A está dado por:
Contraste A a abc b c
Estructura de alias
Contraste A a abc b c
Contraste BC a abc b c
Se puede observar que el contraste A= contraste BC, lo cual significa que los efectos
A y BC son alias, al estimar el efecto A también se estima el efecto BC. Así que, en realidad
se estima la suma de A+ BC de ambos efectos y no se sabe con certeza cuál es el que
predomina o si ambos afectan. En resumen la estructura de alias para el diseño factorial
fraccionado 23-1 está dada por:
A BC
B AC
C AB
Relación definidora: está dada por los generadores de una fracción, más todos sus posibles
productos entre sí, si hay un generador éste también es la relación definidora.
En general, en los diseños factoriales fraccionados en dos niveles, la resolución está dada
por la “palabra o efecto” de la relación definidora con el menor número de letras. Por ejemplo,
k-1
en los diseños 2 la resolución es igual al número de letras del 23-1,24-1 y 25-1 tienen
resolución III, IV y V, respectivamente, porque sus generadores correspondientes se
componen de 3, 4 y 5 letras.
Existen muchos métodos para obtener la rugosidad superficial de piezas metálicas, varias
investigaciones han demostrado que la medición con visión es una buena herramienta para
determinar los parámetros de rugosidad, en la universidad de León España (Alegre, Mórala
Argüello, & Barreiro, 2012) implementan un método de multi-resolución basado en el
procesamiento de imágenes de una superficie para la inspección automática de la calidad
visual y la obtención de la rugosidad superficial en el proceso de transformación.
(Pontes, Paulo de Paiva, & Balestras, 2012) En esta investigación se llevó a cabo un
estudio sobre la aplicabilidad de la función de base radial (RBF) en redes neuronales para la
predicción de rugosidad media (Ra) en el proceso de giro de SAE 52100 de acero endurecido,
con el uso de matrices ortogonales de Taguchi como una herramienta para el diseño de los
parámetros de la red.
(Suarez, Alegre, & González, 2010) Proponen un nuevo descriptor basado en Laws
que permite cuantificar el valor de la rugosidad superficial de piezas metálicas que han sido
mecanizadas mediante operaciones de torneado. La solución que se presenta se basa en un
sistema de visión que analiza la rugosidad de las piezas a partir de la textura de las imágenes.
Se han realizado operaciones de torneado utilizando la aleación AISI 6150. El kernel
desarrollado para cuantificar la rugosidad es una variación del R5R5 presentado por Laws.
Los resultados demuestran que el kernel propuesto R5SR5S permite cuantificar mejor la
rugosidad, logrando una tasa de acierto en la clasificación de 95,87%, 97,3% y 100% con
LDA, QDA y K-NN respectivamente.
(Karayel, 2009) En este trabajo, el tipo de propagación hacia atrás es el algoritmo del
gradiente conjugado escalado (SCGA) y la función de activación es una función sigmoidal.
Los pesos son cuasi-aleatorios para los valores iniciales y luego se actualizan de forma
iterativa hasta que convergen a ciertos valores utilizando el algoritmo de entrenamiento, dos
arquitecturas de redes neuronales diferentes, uno de ellos se refiere a Ra y los otros se refiere
a Rz y Rm, se han utilizado en este estudio. Ambas arquitecturas constan de tres capas: una
capa de entrada, una capa oculta y una capa de salida. Pero Ra, Rz y Rm se han evaluado de
forma individual.
El número de neuronas en las capas de entrada y de salida se basa en la geometría del
problema. Así la capa de entrada recibe el patrón a ser identificada tiene tres neuronas. La
capa de salida, que procesa características extraídas para obtener la clase de modelo, tiene
una neurona. Sin embargo, no existe una regla general para la selección del número de
neuronas en una capa oculta y el número de capas ocultas (Pala et al., 2008). Por lo tanto, el
número de capas y neuronas ocultas en la capa oculta se han determinado por ensayo y están
basados en el error menos eficaz y la arquitectura óptima red neuronal ha sido diseñada
utilizando la Red Caja de herramientas MATLAB Neural.
No se utilizó ningún factor de suavizado. Los valores estimados de la rugosidad
superficial obtenidos por diversas estructuras de redes neuronales. Las neuronas en la capa
de entrada tienen la activación de la unidad (o función de transferencia). Es decir, que
simplemente transmiten los valores (a escala) del dibujo señala directamente a la capa oculta.
Metodología
La metodología propuesta es, usar un sistema de visión artificial para la medición de
rugosidad, utilizando una cámara CCD para la captura de imágenes de piezas mecanizadas,
y se realizara la adecuación del lugar instalando un led de iluminación difusa y homogénea
para evitar el reflejo del material al momento de la captura de la imagen, para el
procesamiento de la información se requiere del uso del software MATLAB instalado en un
ordenador.
Consulta de fuentes
bibliográficas
Montaje de sistema
VA
Pieza sujeta a
estudio
No
Determinar Ra
con rugosimetro
Si
Captura de imagen
Procesamiento de
imagen
No Clasificación
ANN
Si
Validación de
sistema Fin
Se selecciona los componentes que integra el sistema de visión artificial, como son la
cámara CCD que permite la captura de imágenes para su posterior procesamiento, se requiere
de una led de luz difusa y homogénea que evite el reflejo al momento de capturar la imagen,
se requiere de un ordenador en el cual se instala el software MATLAB para el tratamiento de
la información obtenida por medio de imágenes.
Una vez que la imagen se ha convertido a escala de grises se debe aplicar un nivel haar
de wavelet que permite la descomponer de la imagen a partir de algoritmos, descompone a
la imagen (matriz) en coeficientes de aproximación y coeficientes de detalle vertical,
horizontal y diagonal, una vez obtenidos los coeficiente se procede a caracterizar cada
sección y así analizar la imagen por sección y obtener la medida de rugosidad.
3.3 Clasificación de rugosidad por medio de una red neuronal
Se realiza una comparación de los resultados obtenidos por medio de visión artificial
contra los obtenidos con rugosímetro tradicional, para verificar que tan confiable es el
sismeta.
Referencias
Alegre, E., Morala, P., & Barreiro, J. (2012). A evaluation of Surface roughness classes by
computer vision using wavelet transform in the frecuency domain. The internacional
Journal of Advanced Manufacturig Technology, 59, 10.
Cowan, J. D., & Hishar, D. (Marzo de 1988). Neural and Artificial Intelligen. Obtenido de
JSTOR: http://www.jstor.org/stable/20025140
Gadelmawala, E. (2004). A vision system for surface roughness characterization using the
gray level co-occurrence matrix. NDT&E International 37, 12.
Ghassan, A., Kindi, A., & Shirinzade, B. (2007). An evaluation of surface roughness
parameters measurement using vision-based data. International Journal of Machine
Tools & Manufacture, 12.
Gonzalez, C., & Zeleny, R. (1995). Metrologá Superficial Rugosidad. En Metrología (págs.
427-461). México D.F.: McGraw Hill.
Grzndaa, M., & Bustillo, A. (2013). The evolutionary development of roughness prediction
models. Applied Soft Computing, 10. Obtenido de Elsevier:
www.elsevier.com/locate/asoc
Jeyapoovan, T., & Murugan, M. (2013). Surface roughness classification using image
processing. Measurement, 8.
Karayel, D. (2009). Prediction and control of surface roughness in CNC lathe using artificial
neural network. Jornal of Material Technology 209, 13.
Lee, B., & Yu, S. (2002). The model of surface roughness inspection by vision system in
turning. Mechatronics, 13.
Márquez Belzunce, P. (2007). Estudio de Técnicas Basadas en la Transformada Wavelet y
Optimización de sus Parámetros para la Clasificación por Texturas de Imágenes
Digitales. Valencia.
Pontes, F. J., Paulo de Paiva, A., & Balestras, P. P. (2012). Optimitation de Radial Basis
Fuction neural network employed for prediction of surface rughness in hard turning
process using Taguchi's orthogonal arrays. Expert Systems with Applications, 12.
Rajaram Narayanan, M., Gowri, S., & Murali Krishna, M. (2 de July de 2007). On Line
Surface Roghnes Measurement Using Image Processing and Machine Vision. 1, 3.
London, U. K.
Rodriguez Tirado, J. A. (Mayo de 2009). Inspección del Acabado Superficial para Procesos
de Rectificado y Fresado Mediante un Esparcimiento de Luz Láser. Santiago de
Queretaro, México.
Rosenberg, J. M., Hunt, B. R., & Lipsman, R. L. (2001). A guide to MATLAB for beginners
and experienced users. Cambridge.
Suarez Castllón, S., Alegre, E., Barreiro García, J., & González castro, V. (2010).
Cuantificacion de la rugosidad superficial de piezas mecanizadas,. Dpto. Ing.
Eléctrica y de Sistemas y Automática, Univ. de León, León, España.
Wenming, Y., Zhang, X., Chap, L., & Qingmin, L. (2007). Evaluating Surface Roughnees of
Castings Using K-Means Clustering and Watershed Transform. Tsigua University
Shenzhen, China.