P. 1
Nova técnica para Inspeção Visual Automática Dimensional em Tempo Real_v7 revisada cristiano secão 6

Nova técnica para Inspeção Visual Automática Dimensional em Tempo Real_v7 revisada cristiano secão 6

|Views: 87|Likes:
Publicado porAbelGuilhermino

More info:

Published by: AbelGuilhermino on Apr 12, 2012
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

09/12/2012

pdf

text

original

Nova Técnica para Inspeção Visual Automática Dimensional em Tempo Real: Sistema Embarcado de Baixo Custo para Detecção

de Defeitos em Bordas na Linha de Produção Industrial
Ygo N. Batista1,2, Rafael M. Macieira1, Ricardo L. Mota1, Antonio Vaz3, Abel Guilhermino1, Cristiano C. Araújo1

1. Centro de Informática, Universidade Federal de Pernambuco, Recife-PE, Brasil 2. Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Pesqueira-PE, Brasil 3. Optanica Soluções Fotônicas Ltda., Recife-PE, Brasil
Enviado em xx de Agosto de 2010 Resumo Este artigo apresenta Uuma nova técnica de IVA para detecção de defeitos em bordas e uma aplicação e uma implementação baseada em microcontrolador desta técnica para esta são apresentadas em detalhes. Os principais diferenciais da técnica são a iluminação estruturada, que reduz significantemente o esforço computacional para realizar a segmentação da imagem e a flexibilidade de aplicação da técnica em diversas arquiteturas (câmeras analógicas ou digitais / microcontroladores, DSPs ou FPGAs). A solução proposta tem menor tempo de resposta, maior compactação e menor complexidade do hardware em relação às soluções apresentadas em outros artigos relevantes relacionados. O estudo de caso apresentado neste artigo é o resultado deA técnica de IVA a implementação propostas foram aplicadas a um problema industrial real onde está sendo proposta um sistema para detecção de irregularidades emonde foram detectados com sucesso defeitos em bordas de tubos de creme dental na em uma linha de produção. A solução proposta tem menor tempo de resposta (melhor desempenho), maior compactação e menor complexidade do hardware em relação às soluções apresentadas em outros artigos relevantes relacionados. Palavras-chave: Sistema embarcado, Inspeção Visual Automática, Detecção de defeitos em bordas. Sistemas de IVA em geral se baseiam em soluções complexas e necessitam de uma grande capacidade de processamento, sendo necessário a utilização de PCs[REFs]. A complexidade do sistema se apresenta na utilização de iluminação a laser [8][5], projetores de padrão [9][10] e iluminação difusa linear [4][11]. Porém, é crescente a demanda por sistemas de IVA embarcada [3][6][MAIS REFs]. em aplicações mais dedicadas, onde há a necessidade de melhoria de desempenho, portabilidade, custo, tamanho e/ou consumo de energia, o uso de um sistema embarcado dedicado em substituição ao computador também se torna necessário, por exemplo, em verificação de ferrovias [6]. Verificar se as dimensões de um objeto estão de acordo com as especificações é uma atividade constantemente demandada pela indústria [1]. Este tipo de inspeção é denominada dimensional. Dentre

Comment [CA1]: Verificar se isto está demonstrado no artigo. Comment [CA2]: O que significa maior compactação?

Comment [CA3]: Destaquei as vantagens da proposta após a sua descrição.

Comment [CA4]: A técnica e implementação foram aplicadas no chão de fábrica? Se não entã é preciso adequar o texto. Comment [CA5]:

1

Introdução

A Inspeção Visual Automática (IVA) é uma das principais aplicações de A visão de máquina pode fornecer soluções inovadoras para diversos problemas de automação industrial. . Dentre eles, a Inspeção Visual Automática (IVA) encontra-se entre as suas principais aplicações. Com este tipo de inspeção pode-se melhorar a produtividade e qualidade na linha de produção de indústrias, ou seja, fornecer vantagens competitivas para as indústrias que a utilizarem [1]. Por exemplo, com o sistema de IVA realizado por C. Fernandez [2], a classificação de segmentos de laranjas ficou 27 vezes mais rápida e os erros desta foram reduzidos em 65% quando comparado com a inspeção humana.

Comment [CA8]: Este parágrafo deve focar e necessidades de IVA embarcada, desafios quan ao sistema de iluminação e velocidade da inspeção. Deve citar rapidamente as referência dos trabalhos relacionados. Formatted: Indent: First line: 0"

Comment [CA6]: Tentar reduzir o texto sem perder o conteúdo.

Comment [CA7]: Falar de IVA dimensional n introdução.

suas aplicações, pode-se verificar o diâmetro de uma garrafa produzida [3], a qualidade da soldagem em PCI [4] e as dimensões de um cone de alto-falante [5]. A Figura 1 mostra a estrutura de um sistema típico de Inspeção Visual Automática incluindo inspeção dimensional. Primeiro, utiliza-se uma iluminação específica sobre o objeto a fim de facilitar a aquisição pela câmera das características relevantes para a identificação da irregularidade. Para a aquisição da imagem, geralmente são utilizadas uma ou mais câmeras em posições fixas. O computador é responsável pelo processamento da imagem, classificação e enviar sinais para o controlador do processo produtivo. Quando o processo demanda uma restrição de tempo mais crítica ou um processamento mais intensivo, utiliza-se um hardware de aplicação específica, como um processador digital de sinais (DSP), um circuito lógico programável (FPGA) ou um circuito integrado de aplicação específica (ASIC) para auxiliar o processador principal (ver ), por exemplo, na verificação dimensional de garrafas [3]. Em aplicações mais dedicadas, onde há a necessidade de melhoria de desempenho, portabilidade, custo, tamanho e/ou consumo de energia, o uso de um sistema embarcado dedicado em substituição ao computador também se torna necessário, por exemplo, em verificação de ferrovias [6].

industriais (financeiros, humanos, físicos, energéticos) [7]. Este artigo apresenta uma nova técnica de IVA cujas principais vantagens são o menor tempo de resposta e a utilização mais eficiente do hardware (que pode ter câmeras analógicas ou digitais / microcontroladores, DSPs ou FPGAs). O restante do artigo está estruturado da seguinte maneira. Na seção 2 é contextualizada a IVA dimensional. Trabalhos relacionados são discutidos na seção 3. A técnica proposta é apresentada na seção 1. Na seção 5 é apresentado um estudo de caso industrial. Resultados são discutidos na seção 6 e conclusões e trabalhos futuros na seção 7. Além da técnica, são apresentadas as principais características da inspeção visual automática dimensional, alguns trabalhos relacionados relevantes, um detalhamento da arquitetura proposta, os principais resultados experimentais e uma proposta para trabalhos futuros. 2 Inspeção visual automática dimensional

Comment [CA9]: Reescrever as frases do parágrafo de tal maneira a eliminar os espaços branco tão grandes no final do parágrafo.

Comment [CA10]: A introdução sempre termina com um parágrafo descrevendo o que é visto em cada seção do artigo.

Field Code Changed

Verificar se as dimensões de um objeto estão de acordo com as especificações é uma atividade constantemente demandada pela indústria [1]. Este tipo de inspeção é denominada dimensional. Dentre suas aplicações, pode-se verificar o diâmetro de uma garrafa produzida [3], a qualidade da soldagem em PCI [4] e as dimensões de um cone de alto-falante [5]. A mostra a estrutura de um sistema típico de IVA dimensional. Primeiro, utiliza-se uma iluminação específica sobre o objeto a fim de facilitar a aquisição pela câmera das características relevantes para a identificação da irregularidade. Para a aquisição da imagem, geralmente são utilizadas uma ou mais câmeras em posições fixas. O computador é responsável pelo processamento da imagem, classificação e enviar sinais para o controlador do processo produtivo.

Comment [CA11]: A figura mostra o hardwa de processamento de imagem mas não há texto sobre isto. Sugestão, eliminiar o hardware de processamento de imagem desta figura.

Comment [CA12]: Figura mostra o sistema não apenas de IVA mas de atuação também (sistema de controle) faz sentido no contexto d artigo? Field Code Changed

Figura 1: Sistema típico de Inspeção Visual Automática

A escolha da melhor solução embarcada para viabilidade da inspeção visual automática pode depender de vários fatores, tais como: capacidade de processamento, precisão, custo do desenvolvimento e de produção, volume da produção, dentre outras. O maior desafio para se desenvolver um sistema de IVA viável é satisfazer a demanda crescente por desempenho (tempo de resposta, precisão do sistema) e as restrições no uso dos recursos

Figura 1: Sistema típico de Inspeção Visual Automática

A Figura 2Figura 2Figura 2 mostra as etapas de um processo típico de IVA. Este processo pode ser dividido em três etapas distintas. A primeira, processamento de baixo nível, inclui a aquisição da imagem e o pré-processamento. A aquisição se refere a converter o sinal luminoso em sinal elétrico e o préprocessamento ajuda a melhorar a qualidade da imagem removendo distorções e ruídos indesejáveis e/ou acentuando as características de interesse. Podem ser utilizadas diferentes tecnicas de iluminação; laser [8][5], projetores de padrão [9][10] e iluminação difusa linear [4][11]. Com relação ao pré-processamento pode-se utilizar um filtro mediana para remover ruídos impulsivos [12].

como limiarização [8][15], segmentação baseada em regiões [12], ligação entre pontos que configurem uma curva de uma determinada forma [8] e detecção de borda [3][14] podem ser utilizados. A próxima tarefa é descrever a região baseado na representação escolhida. Por exemplo, uma região pode ser representada por sua borda e descrita pelo tamanho e/ou número de concavidades da borda. O reconhecimento de padrões é a primeira atividade no processamento de alto nível. O reconhecimento é a classificação da descrição quantitativa ou estrutural do objeto de interesse em uma imagem. A última tarefa da IVA é a interpretação da imagem, que consiste em atribuir um significado aos diversos elementos reconhecidos na imagem. Ao final da etapa de alto nível, o sistema deverá ser capaz de tomar decisões, tais como controlar um processo produtivo (ex.: guiar um braço robótico), propagar características do objeto sob teste para outras etapas do processo (ex.: classificar de peças) e detectar defeitos ou faltas (ex.: descartar peças quebradas) [1][1][1]. A seguir são apresentadas as principais tecnologias relacionadas às atividades foco (aquisição, préprocessamento e segmentação) da técnica proposta neste artigo. 2.1Tecnologias de aquisição da imagem na IVA dimensional A etapa de aquisição dos dados geralmente é realizada utilizando iluminação estruturada integrada com uma ou mais câmeras CMOS ou CCD. O circuito de digitalização do sinal da imagem é normalmente integrado na câmera. A iluminação estruturada pode ser realizada utilizando laser, projetores de padrão, iluminação difusa spot e linear multiplexada no tempo e/ou no comprimento de onda da luz (cor). A iluminação a laser pode ser observada nos sistemas de localização de frutas em árvores [8] e de detecção de defeitos em cones de alto-falantes [5]. Nestes sistemas foram observados a fragilidade das partes mecânicas (que contém espelhos e motores) e o longo tempo para aquisição da imagem (25s para detecção das frutas nas árvores e 3s para verificação de um cone). A utilização de projetores de padrão, especificamente de linhas, foi vista nos sistemas de digitalização de moldes dentários [9] e de medição de objetos 3D [10]. Observa-se que esta técnica é precisa (na ordem de micrômetros) e mais rápida que a laser (0,5s para

Comment [CA13]: Numerar as etapas do processo na figura. Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil)

Comment [CA14]: Trazido da introdução. Formatted: Caption

Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil), Highlight Formatted: Indent: First line: 0"

Formatted: Indent: Left: 0", First line: 0" Formatted: Bullets and Numbering Formatted: Indent: First line: 0"

Figura 2: Etapas de um sistema típico de IVA

A etapa intermediária envolve a segmentação, representação e a descrição da imagem. A segmentação é uma das atividades mais importante e complexa em todo o processamento da imagem. Nesta atividade as áreas de interesse são identificadas. Em seguida, podemos representar a região de interesse em termos de suas características internas (pixels que compõem a região) ou características externas (bordas). Vários métodos

medição de objetos 3D). Porém, se mostra ainda lenta, frágil e cara para aplicações industriais. A iluminação difusa linear foi observada no sistema de detecção de defeitos em soldas de PCI [4]. Neste caso foi utilizado multiplexação no tempo da iluminação gerada por três lâmpadas fluorescentes circulares. A aquisição de dados neste tipo de multiplexação tem o tempo de resposta afetado negativamente uma vez que o conjunto de imagens necessário para o processamento é adquirido serialmente. A iluminação difusa spot foi observada no sistema de reconstrução de textura em 3D [11]. Neste caso foi realizada a multiplexação no comprimento de onda através de três fontes de luz coloridas (vermelha, verde e azul) e uma câmera colorida com sinal de saída RGB. A aquisição de dados na multiplexação pelo comprimento de onda é mais rápida que na técnica anterior, pois, o conjunto de imagens necessário é adquirido paralelamente. 2.2Tecnologias de pré-processamento da imagem na IVA dimensional O pré-processamento refere-se à correção de distorções geométricas, remoção de ruídos, correção da escala de cor ou níveis de cinza e correção de manchas. Por exemplo, no sistema para segmentação automática de imagens de ultrasom de lesões no peito [12] foi aplicado um filtro mediana para remover ruídos impulsivos. A etapa de préprocessamento é fundamental, pois pode influenciar significativamente no desempenho (tempo de resposta, precisão do sistema) e uso de recursos necessários para o processamento da imagem. 2.3Tecnologias de segmentação da imagem na IVA dimensional A segmentação pode ser realizada com auxílio do histograma da imagem, identificando as regiões ou identificando as bordas. O método limiarização através do histograma requer que se tenha um número determinado de pontos de máximos locais bem definidos (picos no histograma), e cada um desses picos deve representar uma região da imagem a ser segmentada, ou seja, as regiões da imagem a serem segmentadas devem ter intensidades diferentes. Este método foi utilizado para verificação de soldas em PCI [15] bem como na localização de frutas em árvores [8]. Esta técnica é rápida, de baixa complexidade computacional e não necessita de informações preliminares da imagem.

A segmentação baseada em regiões agrupa os pixels em regiões homogêneas. Foi utilizado na classificação de parafusos e porcas [12]. Este método é mais imune a ruídos que a detecção de bordas e funciona melhor se os critérios de homogeneidade forem de fácil definição. Porém, este método é caro computacionalmente e usa intensivamente a memória. Além disto, o resultado final depende do pixel inicial escolhido para definição da região. A segmentação baseada em detecção de bordas é utilizada pela visão humana no reconhecimento de objetos [14]. Computacionalmente, é o processo de localização e realce dos pixels de borda. Para tal é necessário verificar a intensidade da imagem em determinados intervalos do espaço e determinadas direções. Uma borda será detectada quando houver picos de magnitude no gradiente da intensidade. Esta técnica, utilizada, por exemplo, na detecção de defeitos em garrafas [3], é rápida, porém, é necessário que haja variações abruptas na intensidade da imagem entre as regiões a serem segmentadas e o fundo, não detecta facilmente curvas fechadas e é menos imune a ruídos que as outras técnicas. A segmentação também pode considerar a ligação entre pontos que configurem uma curva de uma determinada forma (ex.: círculos), como utilizado na detecção de frutas em árvores em [8]. Para tal é necessário considerar as relações globais entre os pixels. Uma abordagem comumente utilizada é a transformada de Hough que, apesar de eficiente na detecção de curvas, pode apresentar tempo de resposta acima do requerido em algumas aplicações, especialmente para inspeções em tempo real de alto desempenho. 2.4Transferência, processamento e armazenamento da imagem Relacionadas intimamente com as atividades de aquisição, pré-processamento e segmentação da imagem, estão as tarefas de transferência, processamento e armazenamento desta. Uma enorme quantidade de dados é produzida quando uma função intensidade de luz bidimensional é amostrada e quantizada para criar uma imagem digital. A quantidade de dados pode ser tão grande que pode inviabilizar o armazenamento, processamento e transferência destes – especialmente se estivermos utilizando um sistema embarcado com recursos restritos e se a aplicação requerer resposta em tempo real.

Formatted: Indent: Left: 0", First line: 0" Formatted: Bullets and Numbering Formatted: Indent: First line: 0"

Formatted: Indent: Left: 0", First line: 0" Formatted: Bullets and Numbering Formatted: Indent: Left: 0", First line: 0" Formatted: Bullets and Numbering Formatted: Indent: First line: 0" Formatted: Indent: First line: 0"

A compressão de imagens pode reduzir a quantidade de dados necessários para representar uma imagem a partir da remoção de dados redundantes. Porém, comprimir e descomprimir a imagem pode requerer uma utilização tão intensa do processador ou o desenvolvimento de um hardware específico que pode inviabilizar a aplicação da IVA em tempo real. Logo, sistemas como o observado na detecção de defeitos em soldas de PCI [4], o qual é necessário armazenar três imagens na memória para cada inspeção, pode ter o desempenho afetado pelo uso intensivo de memória. 3 Trabalhos Relacionados

A detecção da borda é realizada em duas partes: direita e esquerda. A borda da esquerda é detectada ao seguir a linha da imagem da esquerda para a direita, observando o primeiro pixel que tenha intensidade superior ao predefinido (threshold). Igualmente, a borda da esquerda é detectada seguindo a linha da direita para a esquerda, conforme mostrado na Figura 4.

Formatted: Font: Not Bold, Not Expanded b Condensed by

Formatted: Bullets and Numbering

São analisados os trabalhos relacionados a IVA de bordas em linha de produção industrial e em outras aplicações que requerem IVA em tempo real. No trabalho descrito em [3] é apresentado um sistema de IVA que inspeciona a “boca”, a lateral e o “fundo” de garrafas. Para cada um dos tipos de inspeção há um sistema de iluminação baseado em LEDs, câmeras e métodos de detecção de defeitos independentes. O algoritmo para a detecção da borda, com o intuito de definir o centro da garrafa, deveria ser preciso, rápido e capaz de descartar grandes desvios em relação ao padrão (distúrbios gerados por fatores incertos da linha de produção). O autor descartou a transformada de Hough por ser muito lento e não atender aos requisitos de inspeções rápidas e utilizou um algoritmo muito simples e eficiente que faz a segmentação em tempo real utilizando detecção de bordas pela variação do histograma. Para utilizar este método é necessário que se tenha um número determinado de pontos de máximos locais bem definidos (picos no histograma), e cada um desses picos deve representar uma região da imagem a ser segmentada. Os autores do artigo utilizaram LEDs para realçar a “boca” da garrafa, conforme mostrado na Figura 3, melhorando o contraste no histograma e facilitando a segmentação.
Câmera CCD Iluminação com LEDs

Figura 4: Detecção da borda realizado por F. Duan et. AL.

O centro da imagem pode ser obtido a partir do ponto médio da semi-reta que interliga os dois pontos de bordas mais distantes dentre as linhas horizontais da imagem. Os pontos da borda é utilizado apenas para segmentar a região de análise. Para a detecção do defeito foram utilizadas duas redes neurais após o treino com 185 amostras. O sistema de inspeção utilizou um computador industrial com Pentium IV 2.4 GHz e o tempo para inspeção da borda foi de 56 ms e, a depender do defeito, taxa de acerto entre 90% e 100%. No trabalho descrito em [5] foi realizada a inspeção em cones de alto falantes. Neste artigo a detecção da borda pela variação do histograma também é utilizada, porém, apenas para detectar o centro da imagem. O cone tem duas bordas, a interna e a externa. A borda interna foi detectada percorrendo a imagem do centro para a extremidade. A borda externa foi detectada percorrendo a imagem da extremidade para o centro. O ponto central da imagem foi obtido através do método dos mínimos quadrados.

Formatted: Font: Not Bold, Not Expanded b Condensed by

Figura 3: Posicionamento da câmera e da iluminação realizado por F. Duan et. AL.

níveis e tem precisão entre 95% e 99,6% a depender do tipo de inspeção realizada. INSERIR PARÁGRAFO DE CONCLUSÃO SOBRE OS TRABALHOS RELACIONADOS. 4Técnica Propostaproposta 4.14 Visão geral da técnica Foi desenvolvida uma nova técnica baseada em iluminação estruturada utilizando um LED de alta potência e segmentação por limiarização do histograma. O maior ganho deste modelo em relação aos demais está na iluminação estruturada que facilita significantemente a segmentação, representação e descrição do objeto, inclusive sem a necessidade de armazenar a imagem na memória para realizar o processamento desta.

Formatted: Justified, Indent: First line: 0.2" Don't keep with next Formatted: Font: 10 pt, Not Expanded by / Condensed by , Highlight Formatted: Bullets and Numbering Formatted: Heading 1

Figura 5: Detecção da borda utilizado por C. W. Liao et. AL. Após a detecção do centro da imagem, uma iluminação estruturada a laser com uma câmera CCD mede a altura do cone, gerando uma assinatura a cada linha horizontal da imagem, conforme a . A partir de um banco de assinaturas construído previamente, é realizada uma análise estatística simples das assinaturas geradas para detectar se o cone está, ou não, de acordo com as especificações.

Comment [CA16]: Qual a diferença da iluminação estruturada usada neste trabalho co outras iluminações já utilizadas. Formatted: Normal

Comment [CA17]: Não há referência à esta figura no texto desta subseção. Formatted: Font: Not Italic Field Code Changed

Formatted: Justified, Indent: First line: 0.2" Don't keep with next

Figura 6: Assinatura gerada em uma linha da imagem. O hardware utilizado foi um projetor laser, um LED, duas câmeras, lentes especiais, placas de captura e computador industrial. O tempo para a inspeção de um cone foi de 3 s, o que é suficiente para a aplicação proposta, porém, inadequado para aplicações de alta velocidade. Na detecção de defeitos em ferrovias [6], o diferencial foi a utilização de um FPGA que permite realizar as inspeções mais simples da ferrovia (detecção dos parafusos) a 8 µs/inspeção. A aquisição da imagem foi realizada a partir de um sensor linear CCD com iluminação estruturada utilizando seis lâmpadas para normalizar o iluminamento. A detecção é realizada por uma rede neural em vários Artigo Tempo de resposta (ms) Resolução (mm)

Figura 7: Fluxo dos dados. *Câmera, comparador e detector de sincronismo podem ser analógicos ou digitais.

Formatted: Normal

Ao utilizar a técnica proposta, mesmo utilizando um sistema embarcado com componentes de baixo desempenho (tais como microcontroladores de 32 bits ou FPGAs de baixo custo), é possível obter taxas de inspeção de até 10 ms/inspeção e detectar desvios na borda de até que 1 mm. Ao comparar a técnica proposta com as concorrentes, obtemos a tabela Tabela 1.

Comment [CA18]: Figura praticamente uma repetição da figura 1.

Comment [CA15]: Precisa resumir mais sem perda de conteúdo relevante para o artigo.

Tabela 1: Quadro comparativo entre técnicas

Taxa de acerto (%)

Compactação do hardware / sistema embarcado

Complexidade e uso de recursos computacionais

Inspeção de garrafas [3] Inspeção de cones de alto falantes [5] Inspeção em ferrovias [6] Proposta neste artigo
1

56 3000 0.008 10

N/D1 < 0.1 N/ D 2 1

90 a 100 100 95 a 100 100

Baixa / não Baixa / não Alta / sim Alta / sim

Média Alta Alta Baixa

Estimado em menor que 1 mm / 2 Estimado em maior que 5 mm

Nos próximos itens serão detalhadas as inovações propostas. 4.24.1 Iluminação estruturada, aquisição, processamento e segmentação préFormatted: Bullets and Numbering

Este trabalho utiliza um LED de alta potência (ESPECIFICAR AS CARACTERÍSTICAS DO LED, INFRAVERMELHO, POTÊNCIA, ETC) para se obter o efeito de eliminação do fundo da imagem a ser processada. Um sistema industrial deve ser robusto. Ele deve se adaptar automaticamente a pequenas irregularidades na iluminação e modificações no plano de fundo. Esta propriedade é difícil de obter. Porém, a iluminação proposta amplifica a visibilidade da borda e reduz a do plano de fundo. Para obter essa característica, o tipo de emissor de luz e o seu posicionamento são de fundamental importância. Foram analisadas iluminação utilizando laser, projetores de padrão, iluminação difusa spot e linear multiplexada no tempo e/ou no comprimento de onda da luz (cor). A escolhida foi a iluminação utilizando A utilização de iluminação por LED pelas suastambém apresenta dimensões reduzidas (que facilita o seu posicionamento e permite que formem sombras bem definidas), pequeno ângulo de abertura da luz (concentrando a potência luminosa emitida no objeto de interesse) e adequação quanto a intensidade luminosa necessária. Quanto ao posicionamento do LED, este foi posicionado logo abaixo da câmera a fim de iluminar todas as bordas do objeto e deixar sombra nas cavidades localizadas na face superior do mesmo, conforme apresentado no desenho esquemático a seguirna Figura 3. Esta configuração foi montada de tal maneira que a luz incida com intensidade significativamente maior no objeto em análise do que nos objetos no fundo da imagem.

Figura 338: Posicionamento do LED, da câmera e dos objetos da cena.

O posicionamento do LED juntamente com o Como a intensidade luminosa decai com o quadrado da distância entre o emissor e o objeto iluminado, é possível montar um aparato conforme a Figura 7 tal que a luz incida com intensidade significativamente maior no objeto em análise do que nos objetos no fundo da imagem. Adicionalmente, o ajuste automático do brilho e contraste na câmera (pré-processamento realizado no hardware interno à câmera) ajudará a criar picos óbvios no histograma, facilitando significativamente a segmentação da imagem –deixam a área de interesse fica em tons claros e todo resto da imagem fica em tons escuro (– ver Figura 4cFigura 8). A função de ajuste automático de brilho e contraste está disponível em todas as câmeras comerciais pesquisadas, inclusive as de baixo custo.

Comment [CA19]: Texto está no futuro (ajudará). Não utilizar este tipo de linguagem.

(a)

de menor complexidade computacional e não necessita de informações preliminares da imagem. Observamos a partir dna Figura 4Figura 4Figura 8d é possível separar nitidamente as duas regiões: objeto de interesse e pano de fundo. que, na aplicação proposta, somente é viável realizar a segmentação do objeto baseada no histograma após a utilização da iluminação estruturada. Após a limiarização do histograma em dois níveis a imagem obtida deverá ser de acordo com a Figura 5Figura 5Figura 9.

(b)
Figura 5510: Imagem após a limiarização do histograma.

4.34.2 Representação e descrição A representação e descrição da imagem serão são realizadas em paralelo com a aquisição e segmentação: na medida em que o sinal da imagem estiver chegando à unidade de processamento. Um diferencial desta técnica é que não há a necessidade do armazenamento da imagem adquirida. Ou seja, assim que a aquisição da imagem estiver finalizada, a descrição da imagem, na forma de duas assinaturas características, já estará está disponível para a etapa de reconhecimento e interpretação (que não é foco deste trabalho). As assinaturas características descrevem as bordas das imagens e são obtidas a partir da medição do tempo (se a câmera for analógica) ou do número de pixels (se a câmera for analógica ou digital) entre o início da linha e as transições do branco para o preto ou do preto para o branco de interesse. As transições de interesse dependerão do objeto que se deseja analisarinspecionar. Por exemplo, no caso de um tubo, a imagem foi dividida em três partes: borda superior, borda inferior e corpo do objeto. Na borda superior, as transições relevantes são a primeira transição do preto para o branco (seta a na Figura 6Figura 6Figura 10) e a última transição do branco para o preto (seta b na Figura 6Figura 6Figura 10). Na borda inferior, são relevantes a primeira transição do branco para o preto (seta c na Figura 6Figura 6Figura 10) e a primeira transição do preto para o branco após a detecção da primeira transição do

Formatted: Bullets and Numbering

(c)

(d) Figura 449: Imagens de um objeto para análise em primeiro plano (tubo) e outros objetos ao fundo. Em (a) e (b) o LED está desligado. Em (c) e (d) o LED está Ligado. Em (b) não existem picos distintos para cada objeto da imagem. Em (d) é possível separar nitidamente no histograma duas regiões: objeto de interesse e plano de fundo.

Quanto a segmentação, conforme já visto neste artigo, foi utilizado o método limiarização através do histograma. Como pode ser visto requer que se tenha um número determinado de pontos de máximos locais bem definidos (picos no histograma), e cada um desses picos deve representar uma região da imagem a ser segmentada, ou seja, as regiões da imagem a serem segmentadas devem ter intensidades diferentes. Esta técnica é a mais rápida,

Formatted: Indent: First line: 0"

branco para o preto (seta d na Figura 6Figura 6Figura 10). ; No corpo do tubo, assim como na borda superior, são relevantes a primeira transição do preto para o branco (seta a na Figura 6Figura 6Figura 10) e a última transição do branco para o preto (seta b na Figura 6Figura 6Figura 10); As assinaturas do tubo são então formadas pelos pontos de transição relevantes e estão indicadas nas curvas em linha contínua (assinatura esqueirdaesquerda) e em linha tracejada (assinatura direita) na Figura 6Figura 6Figura 10.

5

Arquitetura propostaEstudo de Caso

Figura 6611: Transições relevantes e assinaturas do tubo.

4.44.3 Representação: classificação da assinatura Nesta etapa foi utilizado um método estatístico simples, apenas para comprovar a viabilidade técnica da proposta. O método estatístico consistiu em tirar a média e desvio padrão das assinaturas de 10 objetos bons e armazenar estes valores como referência. A partir deste momento, as assinaturas geradas eram comparadas com estes valores de referência. Se a assinatura do objeto sob inspeção estiver completamente compreendida entre a média de referência +/- desvio padrão, o objeto é classificado como bom. Se houver pontos na assinatura fora da faixa média +/- desvio padrão, o tubo é classificado como irregular. 4.4 Restrições

Como restrição da técnica, assim como a maioria dos sistemas de IVA, o proposto neste artigo depende do posicionamento da iluminação e da câmera. Para o correto funcionamento é necessário: manter os objetos distantes do fundo em, pelo menos, 10 cm; a câmera distante do objeto entre 5 cm e 50 cm; e a distância entre o fundo e o objeto ser igual ou superior a distância entre o objeto e a câmera. Adicionalmente o objeto deve ter cores claras e não ser de alta refletividade (ex.: espelhos).

A técnica proposta foi validada com uma implementação baseada em captura analógica de imagens e um sistema embarcado baseado em microcontrolador. Apesar de utilizar componentes de baixo desempenho, devido à simplicidade da técnica foi permite a utilização de diversas arquiteturas para a sua implementação. De acordo com o hardware utilizado, pode ser priorizado o desempenho, a precisão, consumo de energia e/ou o custo.possível A arquitetura explorada neste artigo utiliza componentes analógicos e digitais de menor capacidade computacional e todos de custo extremamente baixos – porém mantendomanter o desempenho em 30 ms por inspeção, sendo ainda mais eficiente que as técnicas concorrentes analisadasdiscutidas no estado da arte. O hardware utilizado é composto por uma câmera analógica CCD, LED de alta potência, comparador analógico, CI específico para detecção dos sinais de sincronismo NTSC e microcontrolador com periférico de captura de tempo disparado por detecção de bordas (positivas e negativas). A visão geral da arquitetura pode ser vista na Figura 7. Esta é composta por um módulo de detecção de sincronismo NTSC, um comparador analógico para EXPLICAR, um microncontrolador responsável pela captura, geração de assinaturas, filtragem e interpretação das assinaturas. Observar que um diferencial desta arquitetura é que, apesar de estar trabalhando com processamento de imagens, em momento nenhum o sinal analógico da imagem é digitalizado através de um conversor analógico-digital (ADC) e nem é necessário utilizar um DSP ou FPGA para processar a imagem. Além disto, o uso de memória é bastante reduzido uma vez que não há o armazenamento da imagem para realizar o seu processamento. Cada um dos módulos é descrito mais detalhadamente nas subseções seguintes. As conexões entre os componentes podem ser observadas nos dois esquemas a seguir.

Comment [CA20]: Não estou vendo as assinaturas direita e esquerda na figura.

Comment [CA21]: Não parece artigo científi e sim propaganda. Comment [CA22]: Que tipo de LED (IR???)

Formatted: Bullets and Numbering

Formatted: Bullets and Numbering

Figura 12: Fluxo dos dados

Figura 7713: Arquitetura proposta.

Nos próximos tópicos serão detalhados cada bloco apresentado na Figura 11. Observar que um diferencial desta arquitetura é que, apesar de estar trabalhando com processamento de imagens, em momento nenhum o sinal analógico da imagem é digitalizado através de um conversor analógico-digital (ADC) e nem é necessário utilizar um DSP ou FPGA para processar a imagem. Além disto, o uso de memória é bastante reduzido uma vez que não há o armazenamento da imagem para realizar o seu processamento. 5.1 Iluminação estruturada, aquisição, processamento e segmentação pré-

120°. A cor vermelha foi escolhida por ser melhor detectada pela câmera CCD, pode ser vista a olho nu e o de menor custo. Também foi utilizada uma câmera Câmera A câmera utilizada foi do tipo CCD monocromática de baixo custo padrão NTSC (ver Figura 10Figura 10Figura 14), comumente aplicado em vigilância por circuitos internos de TV. A câmera utilizada possui ajuste analógico automático de brilho e contraste: item fundamental para o pré-processamento na técnica em estudo. A parte inferior da Figura 8 mostra A seguir é apresentado o aparato utilizado para aquisição da imagem. Observar o posicionamento do LED em relação à câmera. O microcontrolador precisa de dois sinais de sincronismo NTSC. O primeiro é o pulso de sincronismo de quadro: sua transição negativa indica

Para a aquisição da imagem utilizando iluminação estruturada LED Foram foi obtidos bons resultados com utilizado um LED vermelho de 1 W, corrente de 350 mA, padrão de emissão labertian e ângulo de emissão de

Formatted: Font: Not Italic Formatted: Font: Not Italic

o início de um novo quadro, ou seja, início da construção de novas assinaturas. O segundo é o pulso de sincronismo de linha: sua transição negativa indica o início de uma nova linha, ou seja, deve-se limpar os contadores de tempo/pixel do periférico de captura do microcontrolador.

Sincronismo de quadro

Sincronismo de linha Sincronismo de cor

Figura 9915: Pulsos de sincronismo – saídas do CI LM1881.

Câmera

LED

Figura 8814: Aparato para aquisição de imagens

Detector de sincronismo NTSC O microcontrolador precisa de dois sinais de sincronismo. O primeiro é o pulso de sincronismo de quadro: sua transição negativa indica o início de um novo quadro, ou seja, início da construção de novas assinaturas. O segundo é o pulso de sincronismo de linha: sua transição negativa indica o início de uma nova linha, ou seja, deve-se limpar os contadores de tempo/pixel do periférico de captura do microcontrolador. Para extrair esses pulsos de sincronismo foi utilizado um CI de baixo custo específico para tal, o LM1881. Este CI tem uma entrada, o sinal NTSC, e três saídas: sincronismo de quadro (o primeiro sinal observado na Figura 9Figura 9Figura 14), de linha (o segundo sinal na Figura 9Figura 9Figura 14) e de cor (não utilizada na arquitetura proposta, o terceiro sinal na Figura 9Figura 9Figura 14).

Comparador de tensão analógico Como parte fundamental para segmentação da imagem, foi utilizado um comparador analógico: o CI LM393. Este circuito integrado é um comparador de baixo consumo, baixo custo, baixo offset, alta precisão e com o slew rate adequado à operação. O sinal NTSC da câmera é comparado com um nível de tensão constante (limiar) configurado manualmente através de um resistor variável, e a saída do CI comparador é o sinal da imagem binarizada (ver Figura 10Figura 10Figura 16). Caso a tensão do sinal NTSC seja maior que a da tensão de referência, a saída fica em nível lógico 1. Caso contrário, a saída fica em 0.

Formatted: Font: Italic

Formatted: Portuguese (Brazil) Formatted: Portuguese (Brazil)

Figura 101016: Padrão NTSC (linha contínua) e a binarização(linha tracejada) do sinal a partir de um limiar ajustado manualmente. (a) Pulso de sincronismo de linha – 4,7 us. (b) Região “pré-scan” - não visível – 5,9 us. (c) Imagem – 51,5 us. (d) região “post-scan” – não visível – 1,4 us.

Sincronismo de quadro

Sincronismo de `linha

Sincronismo de cor Saída do comparador

Figura 111117: Pulsos de sincronismo e a saída binária do comparador analógico de tensão.

O nível do sinal constante de referência para o comparador analógico é ajustado manualmente pelo usuário em aproximadamente no valor médio entre os picos preto e branco do histograma, próximo de 0,65 V no sinal NTSC (onde o preto é 0,3 V e o branco é 1 V; ver padrão NTSC na Figura 10Figura 10Figura 14 e histograma na Figura 4Figura 4Figura 8). Na Figura 12Figura 12Figura 15 é apresentada uma seqüência de imagens binarizadas obtidas ao se ajustar o resistor variável. Para ajustar esta tensão de referência com precisão é necessário que o usuário consiga visualizar em um display a imagem binarizada. Para tal, foi construído um hardware adicional que reconstrói o sinal NTSC a partir da soma ponderada das tensões de saída do comparador e do detector de sincronismo.

Figura 121218: (A) Imagem original – adquirida com o LED aceso. Imagem binarizada com tensão de referência: (B) 0,4 V. (C) 0,6 V. (D) 0,8 V.

5.2

Representação e descrição

A representação e descrição da imagem foram realizadas através de um microcontrolador de baixo custopoder computacional: o NXP LPC2148, que tembaseado no núcleo ARM7TDMI e o periférico de captura de tempo. Captura de tempo

Conforme visto no item 4.24.24.3, a representação da imagem é fundamentada na distância entre o início das linhas e as transições de interesse (preto para branco e/ou branco para preto). Ao utilizar uma câmera analógica, isto significa que essa distância pode ser calculada a partir do tempo de “scan” da câmera entre a borda negativa de pulso de sincronismo de linha e a transição de interesse no sinal binarizado da imagem. No NXP LPC2148, foram utilizados 4 canais de captura (CAP0, CAP1, CAP2 e CAP3) associados ao TIMER0. Os valores capturados por estes canais foram denominados T0, T1, T2 e T3. No início do programa estes canais recebem as configurações indicadas a seguir: os canais CAP0 e CAP3 armazenam o valor do TIMER0 em T0 e T3 quando houver transição do preto para o branco no sinal NTSC binarizado. Os canais CAP1 e CAP4 armazenam o valor do TIMER0 em T1 e T4 quando houver transição do branco para o preto no sinal NTSC binarizado. A partir deste ponto, esses quatro canais são ativados no início de cada linha. Porém, assim que CAP0 detecta a primeira borda, este é desativado (ficando o T0 com o tempo entre o início da linha e a primeira borda). O mesmo ocorre em seguida com o CAP1: será desligado após detectar a primeira borda do branco para o preto. Já o CAP2 e o CAP4 não é desativado em momento algum, ficando o T2 sempre com o tempo entre o início da linha e a última transição do preto para o branco e o T4 sempre com o tempo entre o início da linha e a última transição do branco para o preto. Filtro Ao final da linha, ao ser detectado a borda positiva do pulso de sincronismo de linha, é importante verificar quais valores, dentre T0, T1, T2 e T3, são relevantes. Como visto no item 4.24.24.3, a imagem é dividida em três partes: borda superior, borda inferior e corpo da imagem. Na Figura 13Figura 13Figura 16 observamos que, para a borda superior, são relevantes T0 e T3. Já para a borda inferior do tubo, os valores relevantes serão T1 e T2. Para o corpo do tubo, os valores relevantes serão os mesmos da borda superior: T0 e T3.

Figura 131319: T0, T1, T2 e T3.

Foi verificado no sinal da câmera CCD utilizada, que tem 240 linhas entrelaçadas por quadro, que a borda superior do tubo tinha uma largura de 30 linhas do quadro (15 linhas no quadro par e 15 no quadro ímpar). Esta quantidade de linhas muda com a posição do tubo em relação à câmera – que não é um problema para a aplicação em estudo. Logo, são armazenados T0 e T3 para as 15 linhas seqüenciais capturadas pela câmera a partir da primeira linha com valor T0 diferente de zero detectado. A borda inferior também tem largura de 30 linhas do quadro (15 no par e 15 no ímpar). Os valores armazenados para a borda inferior são T1 e T2. Foi criada uma memória FIFO de 15 linhas onde T1 e T2 são armazenados a cada linha lida pelo µC até que ocorra na linha que T2 – T1 < 0. Este evento indica o fim da borda inferior e início do corpo do tubo. Neste momento a memória FIFO conterá os dados T1 e T2 das últimas 15 linhas da borda inferior. Em seguida são armazenados os valores T0 e T3 para as próximas 15 linhas, representando o corpo do tubo. É importante observar que todas as operações realizadas no filtro de seleção, que escolhe os valores relevantes dentre T0, T1, T2 e T3 para cada linha da imagem, são realizadas durante a aquisição da linha seguinte da imagem: enquanto o periférico do µC captura T0, T1, T2 e T3 da linha x, o processador realiza as operações do filtro referente à linha x-1. Geração das assinaturas Assim que for finalizada a aquisição dos T0 e T3 das 15 linhas do corpo do tubo e antes mesmo do fim do “scan” do quadro, a assinatura característica do tubo será disponibilizada em uma memória do µC, composta pelos valores capturados na borda superior, inferior e corpo do tubo, totalizando 45 linhas relevantes da imagem e 90 pontos adquiridos, conforme apresentado na Figura 14Figura 14Figura 17.

Figura 141420: Assinatura característica do objeto gerada durante a aquisição da imagem pela câmera

Para efeito de comparação, na Figura 15Figura 15Figura 21 são apresentadas algumas assinaturas de tubos bons e de tubos amassados. Observa-se nitidamente que é possível distinguir tubos sem amassados de tubos com amassados a partir de suas assinaturas características.

Comment [CA23]: Informações da camera devem ser dadas anteriormente para nao se poluir o texto.

bons e 40 de tubos com diversos tipos de irregularidades (amassados a partir de 1 mm em diversos pontos da borda do tubo). Algumas das imagens utilizadas podem ser vistas na figura a seguir, onde somente a primeira imagem (superior esquerda) é de um tubo bom.

Figura 151521: Assinaturas de tubos bons e amassados.

Observa-se nitidamente que é possível distinguir tubos sem amassados de tubos com amassados a partir de suas assinaturas características. Ao total, para um teste preliminar de validade da técnica e da arquitetura, foram adquiridas 55 imagens e geradas 55 assinaturas, sendo 15 de tubos bons e 40 de tubos com diversos tipos de irregularidades (amassados a partir de 1 mm em diversos pontos da borda do tubo). Algumas das imagens utilizadas podem ser vistas na figura a seguir, onde somente a primeira imagem (superior esquerda) é de um tubo bom.

Figura 22: Seqüência de imagens adquiridas. 6 Resultados

Figura 16: Seqüência de imagens adquiridas. O estudo de caso apresentado neste artigo é o resultado de um problema industrial real onde está sendo proposta uma abordagem de IVA para detecção de irregularidades em bordas de tubos de creme dental na linha de produção. A solução proposta funciona a uma taxa de 30 ms/inspeção, tem alta compactação e menor complexidade do hardware em relação a outras soluções disponíveis no mercado, tais como [3][3][3], [5][5][5] e [6][6][6]. Além disto, foi possível classificar corretamente 100% das 55 assinaturas geradas a partir das amostras de imagens utilizadas. Ao utilizar a técnica proposta, mesmo utilizando um sistema embarcado com componentes de baixo desempenho (tais como microcontroladores de 32 bits ou FPGAs de baixo custo), é possível obter taxas de inspeção de até 10 ms/inspeção e detectar desvios na borda de até 1 mm. Ao comparar a técnica proposta com as concorrentes, obtemos a tabela .

Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil), Highlight Formatted: Portuguese (Brazil), Highlight

Comment [CA24]: Figura praticamente uma repetição da figura 1.

Field Code Changed

Ao total, para um teste preliminar de validade da técnica e da arquitetura, foram adquiridas 55 imagens e geradas 55 assinaturas, sendo 15 de tubos
Tabela 1: Quadro comparativo entre técnicas

Artigo Inspeção de garrafas [3] Inspeção de cones de alto falantes [5] Inspeção em

Tempo de resposta (ms) 56 3000 0.008

Resolução (mm) N/D1 < 0.1 N/ D 2

Taxa de acerto (%) 90 a 100 100 95 a 100

Compactação do hardware / sistema embarcado Baixa / não Baixa / não Alta / sim

Complexidade e uso de recursos computacionais Média
Formatted: Portuguese (Brazil)

Alta
Formatted: Portuguese (Brazil)

Alta

ferrovias [6] Proposta neste artigo
1

Formatted: Portuguese (Brazil)

10

1

100

Alta / sim

Baixa

Estimado em menor que 1 mm / 2 Estimado em maior que 5 mm

7

Conclusões e Trabalhos futuros

O problema abordado é de extrema relevância para o setor industrial e um protótipo para resolver este problema foi construído com sucesso – as viabilidades da técnica e da arquitetura foram comprovadas. Quando comparado com outras técnicas, a técnica proposta teve resultados melhores no desempenho com menor complexidade do hardware. Além disto, são necessários apenas alguns ajustes para possibilitar a utilização da técnica em outras aplicações de igual desempenho. Adicionalmente, se necessário melhorar o desempenho, a técnica permite a utilização de FPGA com câmeras digitais. As próximas atividades em relação a este projeto consistem em desenvolver um sistema automático para verificação da técnica – com geração automática por computador de milhões de imagens para teste e, a partir do resultado obtido com o sistema de verificação, atualizar o método estatístico. Será necessário também montar o sistema desenvolvido na linha de produção industrial de cremes dental além de estudar outras aplicações que requeiram maior desempenho para a técnica. Para aplicações que necessitem alto desempenho, o mais adequado é utilizar uma câmera digital de alta velocidade e um FPGA em arquitetura hardware / software para o processamento dos sinais. Com esta arquitetura é possível obter um tempo para inspeção de 10 ms, sendo muito mais rápido que as demais técnicas concorrentes analisadas em aplicações semelhantes. Além disto, será implementado um sistema para detecção automático do limiar para binarização da imagem (atualmente realizado pelo usuário através de um resistor variável). Adicionalmente, se necessário, será desenvolvida uma rede neural no FPGA para realizar a classificação das assinaturas. 8Conclusões O problema abordado é de extrema relevância para o setor industrial e um protótipo para resolver este problema foi construído com sucesso – as viabilidades da técnica e da arquitetura foram

comprovadas. Quando comparado com outras técnicas, a técnica proposta teve resultados melhores no desempenho com menor complexidade do hardware. Além disto, são necessários apenas alguns ajustes para possibilitar a utilização da técnica em outras aplicações de igual desempenho. Adicionalmente, se necessário melhorar o desempenho, a técnica permite a utilização de FPGA com câmeras digitais. Referências [1] E. N. Malamas, E. G. M. Petrakis, M. Zervakis, L. Petit, J. D. Legat, “A survey on industrial vision systems, application and tools”, Image and Vision Computing, vol. 21, pp. 171-188, 2003. [2] C. Fernandez, P. J. Navarro, J. Suardiaz, M. Jimenez, A. Iborra, “High-speed and Cost Effective Machine Vision System within the Industry of Preserved Vegetables”, MVA2005 IAPR Conference on Machine Vision Applications, 2005. [3] F. Duan, Y. N. Wang, H. J. Liu, Y. G. Li, “A machine vision inspector for beer bottle”, Engineering Applications of Artificial Intelligence, Vol. 20, pp. 1013 – 1021, 2007. [4] T. H. Kim, T. H. Cho, Y. S. Moon, S. H. Park, “Visual inspection system for the classification of solder joints”, Pattern Recognition, Vol. 32, pp. 565 575, 1999. [5] C. W. Liao, J. C. Su, Y. R. Lin, Y. S. Tarng, “Application of the structured illumination method for automated visual inspection of the loudspeaker cones”, Journal of Materials Processing Technology, Vol. 200, pp. 59 – 70, 2008. [6] F. Marino, A. Distante, P. L. Mazzeo, E. Stella, “A real-time visual inspection system for railway maintenance: automatic hexagonal-headed bolts detection”, IEEE Transactions on Systems, Man, and Cybernetics, Part C, Vol. 37, pp. 418 – 428, 2007. [7] J. Mackrory, M. Daniels, “The impact of new technology in machine vision”, Sensor Review Journal, Vol. 15, pp. 8 – 11, 1995. [8] A. R. Jiménez, R. Ceres, J. L. Pons, “A vision system based on a laser range-finder applied to

Formatted: Bullets and Numbering

[9]

[10]

[11]

[12]

[13]

[14]

[15]

robotic fruit harvesting”, Machine Vision and Applications, Vol. 11, pp. 321 – 329, 2000. M. Chang, S. C. Park, “Automated scanning of dental impressions”, Computer-Aided Design, Vol. 41, pp. 404 – 411, 2009. Z. Wang, H. Du, S. Park, H. Xie, “Threedimensional shape measurement with a fast and accurate approach”, Applied Optics, Vol. 48, pp. 1052 – 1061, 2009. B. Bringier, D. Helbert, M. Khoudeir, “The photometric reconstruction of a dynamic textured surface from just one colour image acquisition”, Journal of the Optical Society of America, Vol. 3, pp. 566 – 574, 2008. K. Horsch, M. L. Giger, L. A. Venta, C. J. Vyborny, “Automatic segmentation of breast lesions on ultrasound”, Med. Phys., Vol. 28, pp. 1652 – 1659, 2001. R. Cucchiara, “Genetic algorithms for clustering in machine vision”, Machine Vision and Applications, Vol. 11, pp. 1 – 6, 1998. S. Niitsuma, K. Tokunaga, “Edge detection and curvature calculation in the visual system”, Artificial Life Robotics, Vol. 9, pp. 135 – 138, 2005. N. S. S. Mar, C. Fookes, P. K. D. V. Yarlagadda, “Design of automatic vision-based inspection system for solder joint segmentation”, Journal of Achievements in Materials and Manufacturing Engeneering, Vol. 32, pp. 145 – 151, 2009.

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->