Thesis
Visión artificial para detección automática de fallas estructurales en botellas de vidrio
Fecha
2012-06-25Registro en:
Ramírez Neyra, Fernando Gabino. (2010). Visión artificial para detección automática de fallas estructurales en botellas de vidrio. (Maestría en Ciencias en Ingeniería de Cómputo con Opción en Sistemas Digitales). Instituto Politécnico Nacional, Centro de Investigación en Computación, México.
Autor
Ramírez Neyra, Fernando Gabino
Institución
Resumen
RESUMEN: En el presente trabajo se propone y desarrolla una metodología a nivel de software,
enfocada a dar solución al problema de detección de defectos físicos en la corona inferior
de botellas de vidrio, y para ello se hace uso de algunas técnicas de procesamiento digital
de imágenes clásico como: filtros mediana, el detector de bordes de Sobel y la
Transformada de Hough. Además durante ésta investigación se han probado y empleado
técnicas más actuales como redes neuronales y morfología matemática, para observar sus
posibles beneficios como técnicas de reconocimiento de patrones y filtrado.
Dicha metodología está integrada de siete etapas en las que se realiza la adquisición de la
imagen (etapa 1) mediante hardware firewire e iluminación controlada tipo Backlight,
(etapa 2) se elimina ruido de la imagen mediante un filtro de mediana, se obtiene el
gradiente de la imagen empleando el operador de Sobel y después (etapa 3) se binariza la
imagen, enseguida (etapa 4) con la transformada de Hough se detectan líneas con ángulos
de inclinación dentro del intervalo discreto de -3 a 3 grados y en base a su ubicación dentro
de la imagen, se determina cuál esas líneas es la que representa el borde de la corona
superior de la botella.
Posteriormente se segmenta la imagen (etapa 5) extrayendo el área en donde es posible
encontrar los bordes que representan el defecto de la botella y para ello se realiza un
desplazamiento vertical a partir de la posición de línea que representa el borde de la corona
superior de la botella y hasta llegar a la zona de interés. Para lograr que dicho
desplazamiento se realice de forma adecuada sin importar la variación de escala de las
imágenes, se programaron algunas formulas para: normalizar el tamaño de la imagen de
entrada, calcular el área de la zona de interés y obtener el número de píxeles que se deben
recorrer para llegar a la zona de interés.
Después (etapa6) se eliminan los bordes que no representan ningún defecto, se unen los
bordes separados que si representan algún defecto y además se aumenta el tamaño de estos,
mediante las operaciones morfológicas: apertura, cerradura, dilatación y erosión.
Finalmente, (etapa 7) se calcula el momento de orden cero (área) como rasgo descriptor del
defecto y este dato es comparado con uno previamente preestablecido, y con base al
resultado de ésta comparación la imagen es clasificada dentro de alguna de las clases:
“botella con defecto” y “botella sin defecto”. ABSTRACT: In this work, a software level methodology is proposed and developed, focused on give a
solution to the physical defect detection problem, with regards to defects located in the
inferior collar of glass bottles. To achieve this, some techniques of classical digital image
processing are used, like: Median Filter, Sobel Edges Detector and Hough Transform.
Moreover, recent techniques as neural networks and mathematical morphology have been
proved and used during this research to observe their possible benefits as pattern
recognition and filtering techniques.
Such methodology is formed by seven stages where (stage 1) Acquisition is done by means
of firewire hardware and controlled backlight illumination; (stage 2) noise is eliminated
from the image through a median filter, the image gradient is obtained by using the Sobel
operator and then, (stage 3) the image is binarized, then (stage 4) using the Hough
Transform lines with a discrete defined slope from -3 to 3 grades are detected, so the line
representing the top collar of the bottle is determined.
Subsequently, the image is segmented (stage 5) by extracting the area of interest where
edges representing the bottle defect can be found, to do that a vertical displacement is
performed from the line position representing the top collar to the zone of interest. To
achieve that this movement is done correctly, regardless of image scale variation, some
formulas were programmed to: normalize input image size, calculate zone of interest area
and obtain the pixels numbers that must be jumped to reach the correct zone of interest.
Afterwards, (stage 6) edges not representing any defect are vanished, separated failure
edges are unified and its size is increased as well, by means of morphological operations:
aperture, closure, dilatation and erosion.
Finally, (stage 7) the zero order moment (area) is calculated as feature descriptor of the
defect and this data is compared to a setpoint previously identified and, depending on the
comparison result, the image is classified as member of one class: “defective bottle” and “bottle
without defects”.