bancuri, glume, imagini, video, fun, bancuri online, bancuri tari, imagini haioase, videoclipuri haioase, distractie online Pe HaiSaRadem.ro vei gasi bancuri, glume, imagini, video, fun, bancuri online, bancuri tari, imagini haioase, videoclipuri haioase, distractie online. Nu ne crede pe cuvant, intra pe HaiSaRadem.ro ca sa te convingi.

 

Din cuprins


PROIECTE

- Achizitia si prelucrarea semnalului vocal

- Sistem automat de monitorizare a temperaturii

- Sistem automat de clasificare folosind inspectia video

- Robot mobil- ALMIS

- Sistem automat de sortare a produselor

Proiecte realizate

Sistem automat de sortare a produselor
prin inspectie vizuala computerizata

 

            În ultimii 30 de ani a crescut considerabil interesul pentru problemele de  recunoaştere şi identificare a formelor şi a culorilor din imagini.
            Acest lucru s-a datorat şi dezvoltării aplicaţiilor de tip „Machine Vision” – vizualizare robotică şi „Image processing” – procesarea imaginilor, care şi-au dovedit utilitatea şi eficienţa în tot mai multe domenii. În prezent domeniul de aplicabilitate al acestora se întinde de la îndepărtarea de pe banda transportoare a produselor necorespunzătoare cum ar fi sticle incomplet pline, fructe pătate (datorită loviturilor) sau prea mici, inspectarea prin ambalaj a capsulelor de medicamente, inspectarea diverselor dispozitive electrice sau electronice şi chiar a caracterelor din datele de identificare înscrise pe diverse produse sau ambalaje.
            Prin utilizarea dispozitivelor  de inspecţie video şi a tehnicilor  de procesare a imaginilor în cadrul sistemelor automate de sortare sau obţinut rezultate deosebit de bune. Astfel, calitatea şi precizia produselor obţinute în urma procesului de sortare a crescut datorită creşterii numărului de sorturi prin realizarea sortării în baza unor caracteristici ce nu pot fi valorificate prin alte procedee decât prin utilizarea muncii manuale.  Deşi sortarea manuală asigură o precizie ridicată în încadrarea pe sorturi cât şi o siguranţă sporită pentru produselor supuse procesului de sortare, totuşi ea asigură o productivitate mică, iar gradul de precizie este puternic influenţat de subiectivismul şi nivelul de oboseală al lucrătorilor.
            Un rol major în dezvoltarea şi răspândirea sistemelor de  inspecţie vizuală îl constituie şi reducerea considerabilă a preţurilor, precum şi performanţele tot mai bune ale sistemelor  de vizualizare şi ale tehnici de calcul.


Fig.1 Sistem automat de clasificare

           În prezentul articol este prezentat un sistem automat de clasificare (fig.1) ce foloseşte inspecţia vizuală, în vederea  clasificării unor obiecte, în baza unor algoritmi implementaţi pe un sistem de calcul. Scopul acestei cercetări este dezvoltarea unor algoritmi pentru detecţia defectelor şi clasificarea obiectelor prin dezvoltarea unui sistem prototip complet.
 Sistemul realizat asigură vizualizarea produselor şi sesizarea unor eventuale defecte, clasificarea produselor în funcţie de culoare, formă şi dimensiune, iar în funcţie de rezultatele obţinute, realizează manipularea produselor în funcţie de clasa stabilită. Pentru testarea algoritmilor propuşi s-au folosit bile şi cuburi de culoare  roşie şi verde şi de diferite dimensiuni.
                                                                                       
                                                                                 
          ARHITECTURA SISTEMULUI
          Sistemul de video-inspecţie şi comandă,  a fost realizat în jurul un transportor cu bandă acţionat de un motor electric. Schema bloc a acestuia este prezentată în figura 2.


Fig.2. Schema bloc a dispozitivelor de achiziţie, analiză, prelucrare, comandă şi execuţie.

 

        Sistemul de video-inspecţie

Este alcătuit din două camere WEB (Creative)cu focalizare manuală, amplasate de o parte şi de alta a transportorului. Camerele sunt dispuse în acelaşi plan realizând un unghi de 60o faţă obiectul analizat. Acestea permit achiziţionarea a 2 imagini RGB color de 340x250 pixeli (figura 3) pe care le transmit în timp real dispozitivului de analiză şi comandă.

 


          Sistemul de iluminare
          În urma testelor efectuate s-a dovedit că apariţia umbrelor sau a strălucirilor în imaginea de analizat poate conduce la apariţia unor grave erori în timpul proceselor de segmentare în vederea extragerii obiectului din imagine. Pentru evitarea acestor neajunsuri  s-a optat pentru o iluminare structurată prin utilizarea a patru surse de lumină dispuse de o parte şi de alta a transportorului pentru a asigura o iluminare uniformă în zona de analiză.

 


           Sistemul de analiză şi comandă


Fig.4.Circuitul electronic de transmitere a comenzilor

          

Imaginile achiziţionate sunt transmise prin intermediul a două porturi USB dispozitivului de analiză şi comandă reprezentat de  un calculator personal de tip Pentium IV/2400MHz. Achiziţia şi procesarea imaginilor precum şi comanda sistemelor de execuţie s-a realizat cu ajutorul  unei aplicaţii denumite Analizor imagini ce a fost realizată în Matlab 7.0.R14. În urma operaţiei de clasificare, sistemul de calcul va transmite semnalul printr-un port paralel la sistemul de execuţie reprezentat de  două motoare  pas cu pas.
          În figura 4. este prezentat circuitul electronic ce permite transmiterea semnalelor de comandă de la sistemul de calcul, prin intermediul unui port paralel, la intrarea (bobinele) motorului pas cu pas.
          S-a optat pentru utilizarea portului paralel deoarece acesta în modul de  setare standard  dispune de 4 biţi de date pentru intrare şi de  8 biţi de  date pentru ieşire, ce sunt suficienţi pentru comanda celor două motoare.

 


          Algoritmii de procesare a imaginilor
          Calitatea imaginilor achiziţionate nu este întotdeauna satisfăcătoare şi ca urmare semnalul achiziţionat va trebui să suporte o serie de operaţii de îmbunătăţire. Îmbunătăţirea imaginilor este o sintagmă generală ce se referă la o clasa de operaţii al căror scop este creşterea detectabilităţii componentelor  imaginii. Aceste prelucrări sunt necesare pentru a îmbunătăţii timpii de execuţie, cât şi rezultatele algoritmilor folosiţi în analiza imaginilor.
Deoarece criteriile de evaluare a imaginilor sunt subiective şi specifice aplicaţiei, procesul de îmbunătăţire va  fi interactiv, cel puţin în etapa de proiectare transformările trebuind să fie validate de un operator uman.
             Pentru realizarea operaţiilor de analiza imaginilor s-a realizat în Matlab o aplicaţie denumită Analizor imagini ce poate funcţiona atât în regim on-line cât şi off-line şi asigură realizarea următoarelor funcţii:
-achizitia directă a imaginilor de la sistemul de vizualizare;
-testarea modului de amplasare a sistemului de vizualizare, precum şi a celui de iluminare;
-testarea în regim off-line a performantelor unor operaţii de îmbunătăţire şi segmentare a imaginilor achiziţionate ;
-realizarea în timp real a operaţilor de clasificare a obiectelor folosind algoritmi de detecţie a defectelor, de calibrare  dimensională şi sortare după culoare;
-în funcţie de rezultatele obţinute în procesul de clasificare se realizează, prin intermediul unui port paralel, controlul a două motoare pas cu pas.



          Operaţii de preprocesare
          Înainte de rularea algoritmilor de clasificare a obiectelor, au loc o serie de operaţii de preprocesare precum:
-se achiziţionează cele două imagini RGB de 640x480    pixeli de la cele două camere WEB;
-se reduc dimensiunile imaginilor la 256x256 prin eliminarea liniilor şi coloanelor ce conţin informaţii inutile precum porţiuni  din transportor, podea sau sistem de calcul;
-utilizarea unui filtru trece jos pentru a creşte uniformitatea imaginilor;
-se obţin din imaginile RGB,   imaginile în format HSI;

 

          Clasificarea după culoare
          Pentru clasificarea obiectelor după culoare s-a realizat un algoritm pe baza calculului mediei şi a  deviaţiei standard. În acest calcul nu au fost considerate şi culorile pixelilor a căror valoare este 0.
 Astfel s-a observat că pentru obiectele de  culoare roşie deviaţia standard este mai mare decât pentru cele de culoare verde, iar prin experimente se poate deduce o valoare  foarte  exactă pentru valoarea pragului folosit în procesul de clasificare.
          În urma testării unor bile si cuburi de culori  diferite, algoritmul utilizat a avut o precizie de  clasificare  de 100%.


          Clasificarea după formă si dimensiuni
          Realizarea acestei operaţii presupune în prima  fază determinarea formei obiectului supus analizei (cub sau sferă), iar în a doua fază, stabilirea dimensiunilor obiectelor (mari, mijlocii, mici).


Figura 5. Reprezentarea cubului

          Algoritmii propuşi pentru analiza şi clasificarea formei obiectelor au fost testaţi folosind atât matricea roşie a imaginii cât şi matricea nuanţelor, obţinute în cadrul procesului de preprocesare. Testele efectuate au reliefat faptul că rezultatele obţinute utilizând matricea nuanţelor sunt superioare utilizării matricei roşii, unde riscul perturbării semnalului de analizat de către eventuale umbre este major. Aşadar, în cazul în care sistemul de iluminare are anumite deficiente, precum apariţia unor străluciri sau umbre minore, analiza matricei nuanţelor constituie o alternativă foarte  eficientă.
          Din matricea nuanţelor s-a obţinut imaginea binară  a obiectului, imagine ce a fost supusă unui proces uşor de eroziune pentru a îndepărta eventualele puncte răzleţe din jurul  obiectului.


Figura 6. Reprezentarea sferei

          În scopul extragerii conturului obiectului din imagine, au fost testate cu ajutorul aplicaţiei Analizor imagine mai multe măşti şi tipuri de filtre.
          Pentru determinarea formei, au fost realizaţi doi  algoritmi. În primul, pe baza conturului imaginii folosind transformata Fourier s-a realizat un algoritm de apreciere a rotunjimii imaginilor testate. Acesta presupune calculul histogramei pentru valorile magnitudinii transformatei Fourier.
          Din vectorul obţinut au fost extraşi doi parametri: poziţia cea mai mare din vector, a cărei valoare este diferită de 0 şi valoarea cea mai mare din vector. Cu cât cei doi  parametri sunt mai mari cu atât obiectul din imagine este mai puţin rotund. Acest lucru este evidenţiat şi de reprezentările celor doi vectori (Figura 5 şi Figura 6), obţinuţi prin transformările Fourier asupra imaginilor cubului şi sferei.
          Al doilea algoritm urmăreşte determinarea excentricităţii din imaginea binară. Valorile mici ale excentricităţi corespund obiectelor rotunde, în timp ce pentru cuburi valoarea excentricităţii este mult mai mare.
          Pentru determinarea parametrilor de suprafaţă în vederea clasificării dimensionale a obiectelor s-au  testat două metode:
-determinarea perimetrului şi a suprafeţei folosind   funcţia Matlab - regionprops.
-calculul pixelilor de pe contur care  au cel puţin un vecin de  valoare 0, urmat de calculul suprafeţei.
Ambele metode au furnizat rezultate asemănătoare, iar precizia algoritmilor a fost de 100%.

 

          Detecţia defectelor
          Algoritmii de detecţie a defectelor trebuie să ţină seama în amănunt de caracteristicile obiectelor supuse analizei. În acest caz, defectele au fost considerate ca fiind anumite pete de culoare închisă ce au fost realizate pe obiectele supuse analizei.

Figura 7. Detecţia defectelor
          

Algoritmul realizat urmăreşte detecţia variaţiilor bruşte ale nivelelor de gri. Acest algoritm a fost aplicat asupra matricelor roşii a ambelor imagini furnizate de camerelor video.
          În cazul în care pe una din cele două imagini ale aceluiaşi obiect s-a depistat o zonă de tranziţie bruscă a nivelelor de gri, în funcţie de caracteristicile obiectului şi de dimensiunea zonei de defect, obiectul va fi etichetat ca fiind necorespunzător.(figura 7)
          Pentru testele efectuate folosind sfere ce au fost marcate folosind vopsea de culoare închisă, rezultatele operaţiei de clasificare au avut o precizie de  100%.
          Testele efectuate pe cuburi, în funcţie de faţa pe care se găseşte pata, de dimensiunea acesteia şi de modul de dispunere al cubului pe banda transportoare, există riscul ca aceasta să treacă neobservată.

 

          Concluzii
          Sistemul prezentat permite realizarea operaţiilor de clasificare în mai puţin de 1 secundă iar, algoritmii propuşi au fost testaţi folosind bile şi cuburi de diferite mărimi şi de culoare roşie sau verde. În cazul bilelor rezultatele obţinute au indicat o precizie de 100% a acestora. Pentru cuburi, în cazul detecţiei defectelor rezultatul depinde de poziţia în care acesta ajunge în faţa camerelor video.
          De asemenea, în cazul în care imaginea este perturbată de umbre sau străluciri, algoritmul de detecţie a defectelor, poate furniza rezultate eronate, mai ales în cazul cuburilor.
Eliminarea acestor riscuri şi creşterea siguranţei în utilizare se poate asigura prin îmbunătăţirea sistemului de iluminare, dar şi prin cunoaşterea  caracteristicilor fizice ale obiectelor supuse analizei şi a posibilelor defecte ce pot apărea.
          Toţi algoritmii utilizaţi au avantajul de a fi simpli, eficienţi şi uşor de implementaţi ceea ce face posibilă implementarea acestora pe un sistem real de sortare. În acest caz este nevoie de o cunoaştere atentă a domeniului de  variaţie a culorilor obiectelor, pragurile dintre acestea trebuind determinate cu mare precizie, de stabilirea unor noi criterii de clasificare a obiectelor precum omogenitatea culorilor şi de obţinerea unui timp de sortare cât mai mic.
Astfel, performanţele sistemului de iluminare are un rol major în scăderea timpului sortare a produselor, astfel încât imaginile achiziţionate să necesite un număr cât mai mic de operaţii de îmbunătăţire.
          Aşa cum se ştie, algoritmii de  procesare a  imaginilor sunt mari consumatori de resurse şi pentru ca operaţiile de analiză să poată fi realizate la o cadenţă ridicată trebuie utilizat un circuit integrat de tip DSP (Digital Signal Procesor) care are implementate anumite transformări, astfel încât să se poată obţine o importantă economie de timp.





Bibliografie

  1. Andrews, H.C.     Digital Image Processing, Computer design,  1981;
  2. Buzuloiu V.   Prelucrarea Imaginilor  :note de curs, Universitatea “Politehnică’’ Bucuresti, 1998;
  3. Castelman, K.R.  Digital Image Processing,   Englewood Cliffs, 1996 ;
  4. www.cognex.com – Machine vision industry applications;
  5. www.imc.imag.fr - Institut d’Informatique et Mathematiques appliquees de Grenoble;
  6. www-iri.upc.es – Institut de robotica i informatica industrial;
  7.  www.math.mtu.edu - A practical introduction to matlab;
  8. www.ieee.org - Institut of electrical and electronics engineers.
  9. www.mathworks.com - site-ul firmei Matlab;
  10. www.automationmag.com - Automation magazin.

 

<< Back

 

| Home | Istoric | Program 2005 | Organigrama | Contact |