Centro tecnológico Cartif

Tratamientos inteligentes en imágenes digitales de bajo contraste de superficies aceitadas y con elevada reflectividad especular (Investigación aplicada a los sistemas de visión artificial orientados al control de calidad en tiempo real de chapa laminada)

• REFERENCIA: PID-560410-2009-12
• TITULO: Tratamientos inteligentes en imágenes digitales de bajo contraste de superficies aceitadas y con elevada reflectividad especular (Investigación aplicada a los sistemas de visión artificial orientados al control de calidad en tiempo real de chapa laminada).
• INVESTIGADORES PRINCIPALES: Eduardo Zalama Casanova, Jaime Gómez García Bermejo, Fernando Gayubo Rojo
• ORGANISMO: Fundación CARTIF
• CENTRO: Fundación CARTIF
• DIRECCION: Parque Tecnológico de Boecillo, parc. 205 (47151 Valladolid)
• TELEFONO: 983 546504
• CORREO E.: This e-mail address is being protected from spambots. You need JavaScript enabled to view it
• PRESUPUESTO: 490.115,60 €
• PAGINA WEB DEL PROYECTO: http://www.cartif.com
  /index.php/es/areas-
  de-investigacion/robotica-
  y-vision-artificial/proyectos
  /alvi.html
• PALABRAS CLAVE: Tratamiento de imágenes, visión artificial, control de calidad, MICINN, Fondos Feder

Proyecto cofinanciado por el Ministerio de Ciencia e Innovación y Fondos FEDER (Fondo Europeo de Desarrollo Regional).

Introducción

En industrias como la automoción, el mobiliario y los electrodomésticos, los productos planos metálicos siguen siendo imprescindibles. A pesar del incremento de los productos plásticos, el mercado de los productos derivados del acero sigue siendo muy importante. Las exigencias de calidad en el acabado superficial de estos productos son cada vez mayores. Esto hace que el acabado final de la superficie sea un valor añadido. En los procesos de transformación es la inspección de calidad la única tarea prácticamente que se realiza de forma manual por parte de personal especializado, siempre y cuando lo permita la cadencia de la línea de producción. En estos sectores tan competitivos, es fundamental disponer de sistemas automáticos fiables para llevar a cabo estas tareas. En este sentido, los sistemas de visión artificial aparecen como una posibilidad muy atractiva para la mejora de estos procesos.

En la actualidad, este tipo de tecnología no ha llegado a esta industria por dos razones fundamentales, por un lado la dificultad que supone inspeccionar superficies altamente reflectivas y por otro, inspeccionar superficies lubricadas. En los últimos años, se ha avanzado en el estudio de la detección y clasificación visual de defectos superficiales sobre superficies altamente reflectantes en condiciones "limpias" y controladas, pero aún queda un campo que sigue siendo el origen de muchos problemas y aún no tiene una solución, la inspección con la presencia del lubricante. La presencia de lubricantes en estas superficies a lo largo de todas las etapas del proceso de fabricación es vital. Su función es evitar rozamientos, desgastes, deterioro del producto por los agentes externos, etc.

En este proyecto se están estudiando nuevos tratamientos inteligentes para imágenes digitales de chapa laminada galvanizada aceitada con pequeñas impresiones o grumos de cinc, difíciles de detectar en el producto inicial y que se pueden poner de manifiesto en fases posteriores del proceso.

Objetivos

El objetivo es estudiar nuevos tratamientos inteligentes para imágenes digitales de bajo contraste (con histograma unimodal) de superficies planas aceitadas y con elevada reflectancia especular (principalmente chapa laminada galvanizada). Para ello se van a caracterizar visualmente estas superficies y se van a estudiar y analizar nuevos tratamientos para la detección/clasificación en línea de los defectos superficiales: impresiones y grumos de cinc.

O1. Caracterizar visualmente las superficies planas de materiales aceitados con elevada reflectividad especular para la inspección visual automática.

O2 Nuevas tecnologías de iluminación LED infrarroja. Se estudiará el efecto sobre la transparencia de la capa de aceite, la corrección inteligente y dinámica de campo plano y la estabilidad de la frecuencia de emisión.

O3. Establecer y analizar una nueva tecnología de preprocesado estocástico que preserve los detalles delicados de la imagen, que elimine la información no relevante y que sea viable computacionalmente. Tecnología basada en la teoría de los campos aleatorios de Markov.

O4. Establecer y analizar nuevas tecnologías de segmentación para la extracción de los píxeles de la imagen pertenecientes a las zonas defectuosas en imágenes con poco contraste. Combinación de técnicas de clusterización substractiva y bancos de filtros de Gabor.

O5. Establecer y analizar un sistema de clasificación multicriterio, combinación de técnicas de aprendizaje (redes neuronales, estocásticos supervisados, para defectos superficiales (impresiones y grumos de cinc) en chapa laminada galvanizada.

Seguimiento

Son muchos los autores que han tratado el tema de la inspección visual automática de defectos y los pasos que deben seguirse. La mayoría de los autores coinciden en dividir este proceso en cinco partes: formación de la imagen, preprocesamiento, segmentación, extracción de características y clasificación. En este proyecto se están abordando aspectos relacionados con cada una de estas fases.

Se esta investigando en la caracterización de las superficies galvanizadas planas, que tienen una elevada reflectividad especular que se modifica por la presencia del aceite. También se está estudiando cómo afecta en estas superficies la iluminación infrarroja de alta intensidad aplicada (que permite aumentar la transmitancia del aceite), y se está estudiando la corrección inteligente y dinámica del campo plano. El objetivo es mejorar sustancialmente la fase de adquisición de la imagen de los sistemas de inspección visual actuales implantados en las instalaciones industriales.

Respecto a las otras cuatro fases, enfocadas a establecer nuevos tratamientos de las imágenes, se están utilizando para la experimentación las imágenes obtenidas en los sistemas de inspección visual actuales, caracterizadas por el bajo contraste (imágenes con histograma unimodal). Los defectos que se trata de detectar, pequeñas impresiones o grumos de cinc, son muy sutiles, y necesitan soluciones más selectivas y menos destructivas que los filtros tradicionales de preprocesado de la imagen, que generalmente provocarían la desaparición de los mismos. En concreto, se está trabajando en una nueva metodología de modelado de la imagen con campos aleatorios de Markov (MRF- Markov Random Fields). La ventaja potencial de este nuevo procesamiento es que mediante la definición adecuada de un funcional se puede conseguir cualquier objetivo siempre que este esté basado en propiedades locales. Estos modelos de Markov modelan las interacciones espaciales entre vecinos o píxeles cercanos. Estas correlaciones locales proveen un mecanismo para modelar una gran variedad de propiedades de la imagen.

Hasta hace pocos años, el límite tecnológico suponía un gran handicap desde el punto de vista de su viabilidad computacional de estos enfoques, sobre todo cuando las imposiciones de tiempo de respuesta son imprescindibles. En la actualidad el trabajo con imágenes desde una perspectiva probabilística es un campo abierto de investigación. El empleo de estos enfoques probabilísticos en la visión artificial pueden permitir completar y mejorar considerablemente los resultados de los enfoques de geometría computacional clásica.

Segmentar una imagen digital significa dividirla en zonas disjuntas e individualizadas. Cuando la segmentación se orienta a la detección de defectos cuyo fondo tiene un grado de homogeneidad elevado el objetivo es determinar qué píxeles pertenecen a la zona defectuosa y cuáles no. A continuación se agrupan los píxeles adyacentes o próximos, y a cada uno de estos grupos es lo que solemos llamar defecto. La cantidad de algoritmos de segmentación es muy elevado y su eficacia depende tanto del preprocesamiento como de las etapas posteriores de agrupamiento.

Las técnicas más habituales de segmentación se basan en la umbralización. La segmentación basada en umbralización parte del estudio del histograma que permite ver la frecuencia relativa de aparición de cada nivel de luminancia en una imagen. Cuando un defecto se diferencia claramente del fondo aparecerán dos montículos en el histograma, que nos permitirán distinguir el objeto del fondo. Es lo que se conoce por histograma bimodal. Sin embargo, lo habitual es que no exista una clara diferenciación. Existen diferentes formas de obtener este umbral de forma automática. Las más importantes son el método p-cuantil, el método de búsqueda de mínimos, minimización de la varianza, reconocimiento de formas y estructuras de datos jerárquicas. En histogramas unimodales, correspondientes a imágenes de bajo contraste, la efectividad de estos métodos desciende considerablemente. Esto es lo que ocurre en el caso los dos defectos en los que nos centramos en esta investigación (impresiones y grumos de cinc). En este proyecto se están estudiando nuevas tecnologías para el procesamiento de imágenes que nos permitan detectar estos defectos con mayor fiabilidad. El estudio se centra en dos tecnologías: los bancos de filtros de Gabor y la clusterización substractiva. Los bancos de filtros de Gabor se engloban dentro del análisis de imágenes en frecuencia. Esta tecnología se basa en la forma en que el cerebro humano procesa las imágenes que se forman en la retina. La clusterización substractiva consiste en definir un conjunto de características asociadas a cada pixel generando un vector multidimensional por cada punto de la imagen. La técnica de clusterización se encarga de agrupar dichos vectores según su grado de semejanza entre ellos y así, finalmente, se obtienen grupos con características semejantes entre ellos.

Una vez obtenidas las imágenes segmentadas, el siguiente paso es clasificar los defectos que aparecen en estas imágenes. Diversas técnicas se utilizan habitualmente en la clasificación de defectos: redes neuronales, clasificación supervisada estadística, etc. Ninguna de ellas alcanza el nivel deseado de acierto de forma individual, por lo que se hace necesario la combinación de ellas. Se está estudiando una metodología que combina varias técnicas con el objetivo de mejorar sustancialmente los resultados respecto a su aplicación individual.

Los resultados del proyecto mejorarán considerablemente el proceso de inspección visual automática no sólo incidiendo en un aumento de la calidad final del producto, sino también mejorando el desarrollo sostenible del proceso, reconciliando sus aspectos económicos, sociales y ambientales. La reducción de la chatarra, la mejora de la calidad de los puestos de trabajo y la reducción del gasto energético contribuirán al desarrollo sostenible del sector.