Director de la revista Mg. Enrique Mansilla Pérez
Comité editorial Mg. Mauricio Aguirre Mg. Felipe Onchi CPC Angélica Urquizo
Colaboradores Mg. Sandra Romero Ing. Vladimir Barahona
Por: Ing. Alberto Alvarado Rivera
1Diseño de un sistema de control
de calidad para el reconocimiento del tipo y
etiquetado correcto en botellas de vino usando
visión computacional
Resumen
El presente trabajo describe los pasos necesarios para obtener un control de calidad en el tipo y etiquetado correcto en botellas usando técnicas de procesamiento básico de imágenes digitales.
En la primera parte del trabajo se muestra los conceptos y técnicas fundamentales del procesamiento de imágenes, en la segunda parte se muestra la simulación de dichas técnicas fundamentales usando imágenes predeterminadas tomadas de muestras reales (imágenes patrón e imágenes con diferentes fallas) usando el software computacional MATLAB. Finalmente se obtiene una respuesta favorable de nuestros algoritmos planteados teniendo en consideración que se usaron 3 muestras de botellas de vino.
Palabras claves
Procesamiento de Imágenes, Visión Artificial, Detección de contornos, Matlab
Introducción
Actualmente en nuestro país existe un gran número de pequeñas empresas dedicadas
a la producción de vino peruano, las cuales basan su sistema de control de calidad en la inspección visual de sus trabajadores. El presente trabajo de investigación está basado en técnicas de procesamiento de imágenes como alternativa para un control de calidad correcto.
Cabe resaltar que el sistema planteado aborda el reconocimiento de botellas patrón, una correcta posición de etiqueta así como el nivel de llenado en dichas botellas. De esta manera la captura de imágenes es realizada por una cámara web comercial y la implementación de los algoritmos es mediante una PC utilizando las bondades del software MATLAB para su desarrollo.
A. VISION ARTIFICIAL
Se reconoce que uno de los sentidos importantes en los seres humanos es la visión, la cual es empleada para obtener la información visual del entorno físico. Casi todas las disciplinas científicas emplean utillajes gráficos para transmitir conocimiento. Por ejemplo, en Electrónica
1 Coordinador Académico de la Carrera de Ingeniería Electrónica, Departamento Académico de Electrónica, Universidad Tecnológica del Perú.
La creación de una visión del mundo es el trabajo de una generación más que de una persona, pero cada uno de nosotros, para bien o para mal, añade su propio ladrillo.
John Dos Passos
32
se emplean esquemas de circuitos, a modo gráfico, para describirlos. Se podría hacer mediante texto, pero para la especie humana resulta mucho más eficiente procesar imágenes que procesar texto. La visión humana es el sentido más desarrollado y el que menos se conoce debido a su gran complejidad. Es una actividad inconsciente y difícil de saber cómo se produce. De hecho, hoy en día, se carece de una teoría que explique cómo los humanos perciben el exterior a través de la vista. La Visión Artificial o también llamada Visión por Computador, pretende capturar la información visual del entorno físico para extraer características relevantes utilizando procedimientos automáticos.
B. IMAGEN DIGITAL
Una imagen digital es representada a través de una matriz o arreglo, donde cada elemento corresponde a un pixel al cual se le ha asignado o ha sido codificado con un número fijo de bits2. Ver figura 2.1.
Por lo tanto, el procesamiento digital de imágenes se entiende como el conjunto de técnicas matemáticas (algoritmos) utilizados para manipular, procesar y tratar imágenes digitales. Tal es el caso que se aplica a los pixel que están contenidos en la imagen.
Figura 2.1
C. DETECCION DE CONTORNOS Y OPERACIONES LOGICAS
por composición incluyen los operadores lógicos NOT, OR, AND, XOR4. Ver figura 2.3
Figura 2.2
Figura 2.3
I. Implementación y desarrollo
Para la implementación del presente trabajo de investigación se ha optado por utilizar lo siguiente:
- Una cámara Web.
- Una PC convencional con procesador de 2.4 GHz, RAM de 2GB y HD de 160 GB. - Software MATLAB versión 2009
- Base de muestras adquiridas por la cámara web que almacenan las tres botellas patrón que conforman nuestro universo.
Asimismo, para un mejor entendimiento y desarrollo del proyecto, se ha realizado su división en cuatro principales etapas:
a. Adquisición de Imágenes patrón mediante la cámara Web
Para la adquisición de las imágenes que contienen las muestras patrón, se fabricó
un recinto cerrado que permite aislar la luz externa y de esta forma realizar la captura de imágenes patrón5. Ver figura 3.1. Esto se
realizó con una cámara web convencional Logitech y se tuvieron tres muestras llamadas:
- botella patron1 - botella patron2 - botella patron3
Figura 3.1
b. Procesamiento de imágenes patrón
El procesamiento de las tres muestras patrón está basado en 4 partes tal como lo señala el diagrama de bloques de la figura 3.2
Figura 3.2
c. Reconocimiento de patrones y descarte de Imágenes
En esta parte se analiza la captura de imágenes de muestras diferentes a
34
las de patrón y se procede a realizar la comparación con las mismas descartando las que son diferentes6. Asimismo la
posición correcta de etiquetas patrón se analiza con las etiquetas mal posicionadas mediante una operación morfológica AND dándole un porcentaje de error de +/-0.1%.
II. Simulación
A continuación se procede a describir paso a paso el procedimiento utilizado para reconocer los patrones de las imágenes capturadas.
Partiendo del hecho que se tienen las imágenes patrón digitalizadas las cuales son obtenidas mediante la cámara web, se procede a acondicionar dichas imágenes, es decir, realizar el recorte de las mismas con la finalidad de obtener solo la parte sustancial que encierra a cada una de las botellas patrón. Asimismo se procede a realizar una transformación de tipo de imagen a escala de grises a cada una de las botellas patrón para poder empezar el Pre-procesamiento. Ver figura 4.1.
Figura 4.1
Se procede a realizar la detección de contornos usando operadores lógicos de PREWITT por toda la imagen, la cual consiste en desplazar matrices tanto en forma horizontal como vertical a través de las imágenes patrón, dichos resultados generan un número para cada fila y columna, luego se suma en valor absoluto y se compara con un umbral elegido. Si es mayor al umbral, es contorno, de lo contrario no lo es. Luego se reemplaza el centro por el valor equivalente al color blanco. Ver figura 4.2.
Figura 4.2
botella patrón analizada con su cantidad de pixeles internos. Ver figura 4.5.
Figura 4.3
Figura 4.4
Figura 4.5
Este mismo algoritmo se utilizó para la posición correcta de las etiquetas en las botellas patrón estableciendo la cantidad
de pixel por cada etiqueta y dando un margen del +/-0.1% para indicar su correcta posición. Ver figura 4.6.
Figura 4.6
Estas muestras de botellas patrón servirán de elemento comparador con otras imágenes de botellas capturadas. A través del análisis de error cuadrático medio se obtiene el reconocimiento de la botella correcta. Ver figuras 4.7 y 4.8.
Figura 4.7
36
Conclusiones
El sistema de control de calidad para botellas de vino planteado en este trabajo brinda una alternativa simple. Mientras mayor sea el número de muestras patrón, mayor será el rango de reconocimiento del sistema.
- Se está completando el algoritmo para obtener el nivel de líquido correcto en las muestras patrón y así poder tener un control de calidad más completo. - La calidad del sistema en mención
dependerá de la captura de la imagen inicial para su mejor procesamiento a menor tiempo,
- Para mejorar este sistema se puede realizar un estudio de un hardware de sistema embebido como una FPGA que permita realizar dicho procesamiento sin necesidad de utilizar una PC
Bibliografía
• Tratamiento Digital de Imágenes, Rafael C. González, Richard E. Woods. Addison-Weslley Iberoamericana S.A, U.S.A, 1996.
• Image Processing Techniques for machine vision, Alberto Martin and Sabri Tosunoglu, Florida International University, Department of Mechanical Engineering
• Application of automated image analysis to the identification and extraction of recyclable plastic bottles. Edgar SCAVINO†, Dzuraidah Abdul WAHAB, Aini HUSSAIN, Hassan BASRI, Mohd Marzuki MUSTAFA.
• Selecting the Most Favourable Edge Detection Technique for Liquid Level Inspection in Bottles. Kunal J Pithadiya, Jayesh D Chauhan, Chintan K Modi, EC Departament G H Patel, College of Engg. and Technology, V V Nagar
• A Computer Vision System for Visual Grape Grading in Wine Cellars. Esteban Vazquez- Fernandez,Angel Dacal-Nieto, Fernando Martin, Laboratorio Oficial de Metroloxıa de Galicia (LOMG),Parque Tecnologico de Galicia,San Cibrao das Viñas, 32901 Ourense, Spain.
