DETECCIÓN DE ANOMALÍAS EN ENVASES DE VIDRIO

DETECCIÓN DE ANOMALÍAS EN ENVASES DE VIDRIO

DETECCIÓN DE ANOMALÍAS EN ENVASES DE VIDRIO MEDIANTE VISIÓN
ARTIFICIAL
Castro Alfredo C., Schugurensky Carlos, Kuchen Benjamín
INSTITUTO DE AUTOMÁTICA
Facultad de Ingeniería
Universidad Nacional de San Juan
Av. San Martín 1109 oeste -5400 San Juan
Tel: +54 64 213303 Fax: +54 64 213672
E-mail:[email protected]
Resumen: El objetivo de este trabajo es diseñar un puesto de inspección automática para la
detección de defectos ó cuerpos extraños en envases vacíos de vidrio. La tarea ha sido dividida
en dos, una Inspección Lateral en busca de vidrios pegados, rajaduras, defectos del tipo “hilos
de teléfono”, etc., y otra Inspección de Fondo en busca de vidrios sueltos y pegados, defectos
del tipo “púas de macho”, etc. La imagen de cada envase es adquirida por una cámara de vídeo
CCD y enviada a la memoria al sistema de procesamiento. Como resultado del procesamiento
se debe eliminar de la línea a los envases que se detecte con alguna anomalía.
Abstract: This paper sets forth the development of visual inspection system for detecting
imperfections and foreign objects in empty glass containers. The task is divided in Sidewall
Inspection that looks for sidewall chips, fused glasses, cracks, defects such as the so-called
“ribbon tear”, etc. and Bottom Inspection that looks for fragments of glass, fused glasses, defects
such as “thorns”, and the like. Containers are scanned with a CCD video camera and the resulting
image is digitized and recorded into the memory of the processing system. Should a defect be
detected upon the processing of the container, the system will automatically rejects it.
Keywords: Visión Artificial, Procesamiento de Imágenes, Automatización Industrial, Sistema de
Detección, Ingeniería Automática, Control de Calidad.
1. INTRODUCCIÓN.
Uno de los problemas a la hora de envasar un producto
alimenticio en frascos de vidrio es la presencia en la
línea de llenado de algunos envases con defectos del
vidrio ó cuerpos extraños. Esto obliga a la
incorporación de un puesto de inspección que detecte
las anomalías del envase. Esta inspección debe
realizarse de tal manera que los resultados no se vean
alterados por las perturbaciones debidas a los múltiples
interferencias que existen en un ambiente industrial.
Para la realización de este puesto de inspección se
propone un sistema de inspección automática
utilizando técnicas de visión artificial. La detección de
defectos superficiales es una tarea de suma importancia
en inspección visual automática y corresponde a una
inspección de aspecto cosmético ó de apariencia
(Cohen, et al, 1992). En esta tarea se hace importante
el tiempo de cálculo de los algoritmos utilizados, que
deben ser muy eficientes temporalmente, para evitar el
aumento del costo del hardware necesario.
Para llevar a cabo la inspección se dividió el problema
en dos tipos de inspección:
Inspección lateral, en donde se inspecciona las
paredes laterales del frasco en busca de defectos
como, vidrios pegados, rajaduras, defectos del tipo
“hilos de teléfono”, etc.
Inspección de fondo, en donde el objeto de interés
es el fondo del frasco y se buscan defectos de los
denominados “púas de macho” y vidrios pegados o
sueltos.
En todos los casos los cuerpos extraños que no sean de
vidrio resultan fácilmente detectables.
Este puesto de medición se prevé sea intercalado en
una línea de envasado de mermelada, en la cual se
deben inspeccionar todos y cada uno de los frascos
mientras se están moviendo a lo largo de esta. Los
frascos que se encuentren con alguna anomalía deben
eliminarse. La velocidad de los frascos en la línea de
envasado es de 180 frascos por minuto implicando un
tiempo de procesamiento máximo por cada envase de
300 mseg.
El diseño de un sistema completo de inspección visual
consiste en la elección apropiada de todos los
elementos que forman el sistema (Batchelor, 1992). En
la figura 1 se muestra un esquema con los distintos
componentes de un sistema de inspección automático.
CCD
Iluminación
Objeto
Optica
Sensor
Resultados:
Aceptación
ó rechazo
Transporte
Posibles lazos de control
Procesamiento
Electrónica de Control
Electrónica Actuador
Fig. 1. Diagrama de sistema de inspección visual
automático
2. PROCESAMIENTO DIGITAL DE IMÁGENES.
2.1 Adquisición de la imagen
La primera tarea de un sistema de inspección visual
automático es la adquisición de la imagen, mediante
una cámara de vídeo CCD y su óptica asociada, y su
transferencia a la memoria del sistema de
procesamiento, utilizando un digitalizador de imagen
(frame grabber).
Todas las aplicaciones de inspección visual, obtienen
información de característica de interés, a través del
contraste de la escena. El contraste es creado por
variaciones en los niveles de gris o cambios en color.
La técnica usada para distinguir estos cambios es
función del sensor óptico y la iluminación.
La técnica de iluminación elegida, por las
características de la inspección fue la de iluminación
posterior difusa. La experiencia en el desarrollo de
sistema de medición de frascos medicinales (Castro y
Nasisi, 1994) fue fundamental en esta elección. Esta
técnica de iluminación permite resaltar los defectos del
vidrio.
2.2 Preprocesamiento.
En la etapa de preprocesamiento se pretende mejorar la
calidad de la imagen para posteriormente realizar la
segmentación. Dentro de esta categoría de
procesamiento se puede citar:
Eliminación de ruido: Debido a la disponibilidad de
poco tiempo para el procesamiento digital es de suma
importancia optimizar las técnicas de iluminación, con
el fin de hacer casi innecesario la utilización de filtros
pasabajos para la eliminación de ruido. La utilización
de algoritmos de segmentación simples y rápidos como
la binarización, disminuye la sensibilidad a los ruidos
con respecto a otros algoritmos como ser el de la
derivada.
Eliminación de fondo: Una forma de detección de
defectos superficiales es tomando imágenes en la
misma posición del objeto para compararlo con una
imagen del objeto libre de errores. Esto hace que se
obtenga un fondo aproximadamente constante que
puede ser eliminado fácilmente restando de la imagen
adquirida la imagen del fondo obtenida previamente.
Se logra de esta forma contrastar fuertemente el objeto
del fondo, pero pequeñas diferencias en la posición del
objeto pueden provocar errores en la detección.
2.3 Segmentación
El propósito de la segmentación es realizar una
partición de la imagen en objetos o regiones
significativas. Los métodos de segmentación asumen
que las regiones a extraer poseen una homogeneidad en
algunas características (variables).
En las técnicas utilizadas en la segmentación (Pratt,
1979) se localiza los contornos de las regiones (edge
segmentation), o se agrupan pixels de similares
características (region segmentation).
Desde el punto de vista de la inspección visual la
segmentación por contornos es la más útil (por
velocidad) y para ello se dispone de dos alternativas:
Binarización: En ciertos casos existe una forma
natural y muy sencilla de diferenciar, dentro de la
escena detalles de interés. Esto se produce cuando el
nivel de gris de los objetos a analizar se encuentra en
un determinado rango de valores.
Esta técnica de segmentación tiene enormes ventajas,
dada la simplicidad tanto del hard como del soft
requeridos para su implementación. Sin embargo, tiene
el grave inconveniente de la dificultad que representa
elegir un buen umbral de binarización.
Para poder utilizar binarización es imprescindible que
el defecto resalte visualmente con respecto a la pieza a
inspeccionar (tenga distinta luminosidad), esto se
consigue con una técnica de iluminación adecuada.
Para la selección del umbral de binarización se utiliza
la información obtenida del histograma. Este último
condensa los datos de la imagen eliminando la
información espacial (solo interesa detectar los
defectos, no su ubicación). Por lo tanto se reduce el
tiempo de cálculo, muy escaso en aplicaciones
industriales.
Extractores de contornos: Los extractores de contorno
fundamentan su actuación en el estudio del contexto de
cada punto de la imagen. Utilizan como herramienta la
derivada, tanto la derivada primera como, la derivada
segunda que presenta las ventajas, frente a la primera,
de no ser direccional, y de proporcionar mejores
resultados cuando los cambios espaciales del nivel de
gris son lentos.
2.4 Segmentación utilizada
En la práctica se utiliza combinaciones de los distintos
métodos de segmentación. El principal inconveniente
de la binarización, es que la selección del umbral es
extremadamente dependiente de la iluminación. Los
métodos de las derivadas incrementan el ruido a la vez
que requieren más tiempo para el procesamiento.
En este trabajo la propuesta fue utilizar la binarización
para la detección de los defectos, por la velocidad del
algoritmo, y métodos de derivada en pequeñas franjas
de la imagen para detectar la ubicación del objeto
dentro de la escena, ver (Castro y Nasisi, 1994). Hay
que tener en cuenta que hay que inspeccionar los 360
grados de la superficie del frasco en menos de
300mseg.
En el caso Gaussiano es:
(x-1)2
(x- 2 )2
222
212
P1
P2
p(x)=
e +
e .(Ec. 2)
21
22
donde µ 1 y µ 2 son los valores medios de los dos
niveles de brillo, 1 y 2 son las desviaciones estándar
y P2 son las
alrededor de las medias, y P1
probabilidades a priori de los dos niveles. Como se
debe satisfacer la restricción:
P1 P2 1.
(Ec. 3)
La densidad mezcla tiene cinco parámetros
desconocidos. Si todos los parámetros son conocidos,
el umbral óptimo se determina fácilmente. Suponiendo
que las zonas oscuras corresponden al fondo y las
regiones claras al objeto, entonces µ 1 < µ 2 y se puede
definir un umbral T, tal que todos los pixels con
niveles de gris por debajo de T se consideran fondo y
todos los pixels con niveles por arriba de T se
consideran puntos del objeto. La probabilidad de
clasificar (erróneamente) un punto objeto como punto
fondo es:
T
E 1 (T) = - p2 (x) dx.
(Ec. 4)
Análogamente, la probabilidad de clasificar un punto
de fondo como un punto objeto es:
E 2 (T) = T p1 (x) dx.
(Ec. 5)
Además, la probabilidad total de error está dada por:
3. ELECCIÓN DEL UMBRAL ÓPTIMO
E ( T ) P2 E1 ( T ) P1 E2 ( T ).
3.1 El Umbral óptimo
Se supone que se conoce que una imagen contiene solo
dos regiones de niveles de gris (histograma bimodal).
El histograma de la imagen se puede considerar como
una estimación de la función densidad de probabilidad
de los niveles de gris. Esta función densidad total será
la suma o mezcla de dos densidades unimodales, uno
por la región clara y otra por la región oscura. Además,
los parámetros de la mezcla serán proporcionales a las
áreas de la imagen de cada brillo. Si la forma de la
densidad se conoce o se asume conocida, entonces es
posible determinar un umbral óptimo (en términos del
mínimo error) para segmentar la imagen en dos
regiones de brillo (López y Díaz, 1992).
Suponiendo que una imagen contiene dos valores
combinados de ruido aditivo Gaussiano. La función
densidad de probabilidad esta dada por:
p( x ) P1 p1 ( x ) P2 p2 ( x ).
(Ec. 1)
(Ec. 6)
Para encontrar el valor umbral para el cual el error es
mínimo, se deriva E(T) con respecto a T ( usando la
regla de Liebnitz) y se iguala el resultado a cero. El
resultado es:
P1 p1 ( T ) P2 p2 ( T ).
(Ec. 7)
Aplicando este resultado a la densidad gaussiana dada,
después de tomar logaritmos y simplificar, se obtiene
una ecuación cuadratica:
AT 2 BT C 0.
(Ec. 8)
donde:
A 12 2 2 .
B 2( 12 2 212 ).
C 12 2 2 2 2 12 122 2 ln(1 P1 / 2 P2 ).
La posibilidad de dos soluciones indica que se requiere
dos valores de umbral para obtener la solución óptima.
Si las varianzas son iguales,
un solo umbral:
T =
1+ 2
2
+
2=12=22, es suficiente
P2 2
ln .
1 - 2 P1 (Ec. 8)
cuerpos extraños) y el fondo como se puede ver en el
segundo gráfico de la figura 2.
De esta forma se calcula el umbral de binarización
como promedio de ambos picos del histograma, y la
imagen binarizada se ve en la figura 3.
Si las probabilidades a priori son iguales, P1=P2, el
umbral óptimo es el promedio de las medias. La
determinación del umbral óptimo puede realizarse
fácilmente con otros modelos conocidos de densidad
unimodal, tal como Raleight y densidad log-normal.
3.2 Métodos de cálculo del umbral óptimo
Existen varios métodos para el cálculo del umbral de
binarización, entre los que se puede citar; ver (López y
Díaz, 1992 ; Myler y Weeks,1993):
El método del mínimo error
Método de la frecuencia acumulada
Método de los momentos
Método de la máxima distancia al polígono
circunscrito
Método de la entropía
3.3 Método utilizado
Con la iluminación utilizada se intenta que el
histograma de la imagen se acerque a la forma
bimodal, pero en la práctica se obtiene un histograma
como se observa en el primer gráfico de la figura 2.
Los datos suministrados por este histograma son
difíciles de procesar con cualquiera de los métodos
mencionados anteriormente. Por ello es necesario hacer
un preprocesamiento de estos datos, el algoritmo
utilizado es la combinación de dos operaciones:
Un agrupamiento de varios niveles de gris,
eligiendo el valor promedio, esto produce una
disminución de niveles de gris.
Un filtrado para suavizar el histograma.
Fig. 2. Histogramas antes y después del procesamiento.
El resultado es un histograma claramente bimodal,
donde se puede distinguir el objeto (los bordes y
Fig. 3. Imagen frasco antes y luego de la binarización
automática.
Como los bordes son conocidos, este puede ser
enmascarado en la imagen con lo que solo los cuerpos
extraños, como los vidrios pegados, rajaduras, etc., que
producen sombras son detectados.
4. TOMA DE DECISIÓN
4.1 Clasificación
El último paso en el proceso de inspección es la
clasificación de la pieza en defectuosa o no. Este
proceso de clasificación se determina en base a
descriptores de las características de la imagen y es un
proceso de análisis. El análisis se distingue de los
anteriores procesamientos de imágenes, en que el
resultado en general es numérico en lugar de ser una
imagen. El problema es la determinación de los
descriptores adecuados (Castleman, 1979) ó los que
más se aproximen a ello para lograr una correcta
asignación en pieza defectuosa ó no.
Es posible considerar que el número de pixels de error
puede representar una diferencia susceptible de
rechazo si estos se encuentran concentrados en un área
pequeña pero dicho error puede resultar insignificante
si los pixels están más o menos distribuidos en la
superficie de la imagen. El parámetro más simple que
evalúa dicho concepto es el número de variaciones de
la imagen error binarizada, dividido por el total de
puntos erróneos.
En una concentración grande de puntos la variación de
la imagen es pequeña mientras que en el caso contrario
ésta tendrá un valor máximo de 1 (uno) cuando todos
los puntos se encuentran inconexos.
e=
Nv
Np
(Ec. 9)
donde:
e = error.
Nv = Número de variaciones
Np = Número de puntos
Un descriptor, que tiene en cuenta la concentración de
puntos, se construye con la sumatoria pesada de las
áreas de error de la imagen diferencia. El pesado se
logra elevando al cuadrado las áreas antes de sumarlas
de manera de dar mayor preponderancia a las grandes
concentraciones sobre las pequeñas, como un elemento
adicional al pesado no se consideran en la sumatoria
los puntos aislados.
Los elementos que se utilizaron durante el desarrollo
de los ensayos en laboratorio son:
Un banco de prueba de iluminación con tubos
fluorescentes de alta frecuencia para evitar el
parpadeo.
Una cámara CCD Monocromática Sony modelo
SSC-M350. Lente 16 mm f/1.6.
Un frame grabber Cortex-I con resolución de 256x
240 pixel de 8bits.
Una PC AT486 DX4 100MHz.
Utilizando lás técnicas de visión artificial mencionadas
anteriormente, se obtuvo un tiempo de procesamiento
aproximado de 250mseg para cada tipo de inspección.
5.2 Resultados Inspección lateral
Este descriptor ofrece una adecuada discriminación
pero presenta el inconveniente de que para calcularlo
se necesita segmentar la imagen error, esto se debe
realizar en línea y resulta un procesamiento demasiado
lento.
Otro descriptor es el que se basa en el concepto de
conectividad que suma en forma pesada todos los
pixels de error de un mismo objeto. El peso dependerá
al grado de conectividad y valdrá 1 si el pixel se
encuentra aislado, 2 si está conectado con otro y así
sucesivamente hasta llegar a 9 cuando el pixel se
encuentra en medio de otros.
Este descriptor presenta características semejantes al
anterior con la ventaja de no necesitar la segmentación
de la imagen en línea. Por eso es el que se utiliza en
este trabajo para determinar si el envase se encuentra
con alguna anomalía.
Fig. 6. Imagen frasco con una rajadura y binarización.
4.2 Entrenamiento del clasificador
Se han investigado diferentes estructuras de
clasificadores. La mayoría de las decisiones de
clasificación se reduce a la regla del umbral. Si los
valores de las características caen dentro de un cierto
rango específico, entonces el objeto es asignado a un
grupo particular.
En este caso en particular la característica de interés es
la concentración de error, y si dentro de un cierto rango
el objeto es aceptado, sino es rechazado. Para
determinar el valor particular de umbral que se debe
elegir, se utiliza un entrenamiento del clasificador con
un grupo conocido de objetos. El grupo de objetos
previamente identificados como con y sin defectos
constituye un conjunto de entrenamiento.
5. IMPLEMENTACIÓN
Fig. 7. Histogramas de una imagen de frasco con una
rajadura.
En la inspección lateral es necesario cubrir los 360
grados de la superficie lateral del frasco. Por eso se
debe tomar más de una imagen girando el frasco, ó
utilizando más de una cámara, la cantidad ideal son 3
cámaras que cubra 120 grados cada una.
En la figura 6 se observa la imagen adquirida y la
imagen binarizada, en donde se observa claramente el
defecto, en este caso una rajadura.
5.3. Resultados Inspección de fondo
En la inspección de fondo solamente hay que tomar
una imagen, y la máscara que se aplica a la imagen
binarizada es de forma circular. En la figura 8 se
observa una imagen de un frasco con el defecto
denominado “púa de macho”, y su respectiva
binarización automática.
La velocidad de procesamiento es otro punto a
tener en cuenta, ya que el sistema debe trabajar en
tiempo real. Los algoritmos más lentos son los que
tratan grandes superficies, hay que tratar de
minimizar las áreas para acelerar el proceso.
Otra posibilidad para aumentar la velocidad es
utilizar algoritmos que utilicen alguna forma de
información condensada como lo es el histograma.
Se observó un creciente interés por parte de
empresas nacionales en la utilización de técnicas de
visión artificial aplicadas a la industria.
Actualmente se trabaja en la adaptación industrial del
puesto de inspección en una fábrica de mermeladas
7. REFERENCIAS
Fig. 8. Imagen frasco con defecto “Púa de macho” y
binarización.
Fig. 9. Histograma de la imagen del fondo del frasco
con defecto “púa de macho”.
6. CONCLUSIONES
De acuerdo a los resultados experimentales obtenidos
durante la realización de este trabajo, se desprenden las
siguientes conclusiones:
La iluminación es un punto clave a la hora de
diseñar el sistema de inspección, existe una amplia
variedad que depende de la aplicación en
particular. No existe una única solución para cada
caso.
Batchelor, B.G. (1992). Design Aids For Visual
Inspeccion System. Sensor Review,Vol 12 No 3.
Castleman, Kenneth R. (1979). Digital Image
Processing (Prentice-Hall, Inc.).
Castro, Alfredo C., Oscar H. Nasisi (1994). Medición
Sin Contacto De Envases Medicinales De Vidrio.
XIV Simposio Nacional de Control Automático,
Buenos Aires, Setiembre.
Cohen, Fernand S., Fan Zhiganag, and Attali Stephane
(1991). Automated Inspection Of Textile Fabrics
Using Textural Models. IEEE Transactions on
Pattern Analysis and Machine Intelligence. Vol 13
No 8 ,August.
Lopéz Coronado, J., F. J. Díaz Pernas (1992). Visión
Artificial: Introducción Teórica y aplicaciones en
la Automatización de Procesos Industriales.
(Departamento de Ingeniería de Sistemas y
Automática Universidad de Valladolid ).
Myler, Harley R., Arthur R. Weeks (1993). Computer
Imaging recipes in C. (Prentice-Hall, Inc.).
Pratt, William K. (1978). Digital Image Processing
(John Wiley & Sons, Inc.).