Dissertacao Desgaste Flanco - Orth

ENG.
ALEXANDRE ORTH
DESENVOLVIMENTO DE UM SISTEMA DE VISO
PARA MEDIR O DESGASTE DE FLANCO DE
FERRAMENTAS DE CORTE
FLORIANPOLIS
2001
ii
UNIVERSIDADE FEDERAL DE SANTA CATARINA
PROGRAMA DE PS-GRADUAO
EM ENGENHARIA ELTRICA
Dissertao submetida
Universidade Federal de Santa Catarina
como parte dos requisitos para a obteno do
grau de Mestre em Engenharia Eltrica.
ALEXANDRE ORTH
Florianpolis, Dezembro de 2001.
iii
Alexandre Orth
Esta Dissertao foi julgada adequada para obteno do Ttulo de Mestre em
Engenharia Eltrica, rea de Concentrao em Automao Industrial,
e aprovada em sua forma final pelo Programa de Ps-Graduao em
Engenharia Eltrica da Universidade Federal de Santa Catarina.
______________________________________
Marcelo Ricardo Stemmer, Prof. Dr. Ing.
Orientador
______________________________________
Edson Roberto De Pieri, Prof. Dr.
Coordenador do Programa de Ps-Graduao em Engenharia Eltrica
Banca Examinadora:
______________________________________
Marcelo Ricardo Stemmer, Prof. Dr. Ing.
Presidente
______________________________________
Ricardo Jos Rabelo, Prof. Dr.
______________________________________
Aldo von Wangenheim, Prof. Dr. ner. nat.
______________________________________
Rolf Bertrand Schroeter, Prof. Dr. Eng.
iv
Cremos que mestre aquele que aprende,
no aquele que ensina.
Que a autoridade vem dos fatos
e no das pessoas.
Que no queremos, no podemos e nem devemos
ter qualquer compromisso
com o sucesso.
Antnio Roberto Soares - Psiclogo
v
Dedico este trabalho mulher da minha vida,
minha esposa e companheira
de todas as batalhas,
Cassia.
vi
AGRADECIMENTOS
Agradeo ao Prof. Marcelo Stemmer pelo apoio, amizade e orientao. Agradeo,
tambm, a Universidade Federal de Santa Catarina (UFSC), especialmente ao Depto. de
Automao e Sistemas (DAS), que proporcionou um timo ambiente para o meu
desenvolvimento profissional e humano. Agradeo ao LMP (Lab. de Mecnica de
Preciso) pela parceria neste projeto, principalmente ao Prof. Rolf Schroeter, a Eliene, ao
Andr e ao Toshihiro. Agradeo ao Prof. Aldo von Wangenheim, pelas discusses tcnicas
que auxiliaram na busca da metodologia correta.
Agradeo ao Instituto WZL (Laboratorium fr Werkzeugmaschinen und
Betriebslehre), especialmente ao Prof. Tilo Pfeifer, ao Reinhard Freudenberg e ao Dominik
Sack; pelo projeto de cooperao com a UFSC, viabilizando o desenvolvimento deste
trabalho. Agradeo a amizade sincera destes irmos.
Agradeo a empresa Pollux, em especial, ao Cdric Craze, ao Marcelo Passarelli e
ao Fbio Vianna pela infra-estrutura doada a universidade e pelo apoio no desenvol-
vimento deste projeto. Agradeo aos membros do projeto Pollux-UFSC, especialmente ao
Felipe, ao Alberto e ao Eduardo; que foram meus amigos e companheiros durante todo o
mestrado. Obrigado Eduardo por ter realizado ensaios de iluminao comigo.
Agradeo aos meus amigos do S2i (Sistemas Industriais Inteligentes); especial-
mente, ao Charles, ao Eduardo, ao Fbio, ao Minasi, ao Fernando, a Denise e ao Mrio.
Obrigado Charles pela participao nos ensaios. Obrigado ao Fbio e Eduardo por toparem
o desafio de implementar uma demonstrao da transformada de Fourier bidimensional,
apesar de no a terminarem. Obrigado ao Minasi, que mesmo sem bolsa, ficou comigo at
23:00 h de domingo corrigindo a dissertao. Obrigado Fernando pelo apoio no
desenvolvimento do software. Obrigado ao Mrio, um grande amigo que me ajudou em
todas as dificuldades deste mestrado e da vida cotidiana. Amigos, este trabalho o
resultado do esforo de uma equipe. Devo este resultado a vocs.
Agradeo aos meus pais Loureno e Luizita; e ao meu irmo Leonardo. Obrigado
pela fora e pelo amor. Vocs foram mais importantes que possam imaginar. Agradeo,
assim, a toda a minha famlia. Em especial, agradeo o carinho da minha Tia Clara Ins,
sempre me apoiando e incentivando em todas as jornadas. Agradeo a torcida da minha
nova famlia, Vrginia e Karina.
vii
Agradeo, do fundo do meu corao, a minha esposa Cassia que lutou comigo
todos os minutos desta etapa da minha vida. Obrigado pela compreenso, pelos seus
conselhos, pelo seu jeito louco de me fazer feliz; em suma, pelo seu amor.
Agradeo a Deus pelas pessoas maravilhosas que cruzaram a minha vida,
permitindo que este trabalho fosse realizado. Obrigado pai, pela sua fora, pela sua luz e
pelas inspiraes. Obrigado pelas dificuldades que foram oportunidades maravilhosas na
evoluo deste ser, sobretudo, humano.
viii
Resumo da Dissertao apresentada UFSC como parte dos requisitos necessrios
para a obteno do grau de Mestre em Engenharia Eltrica.
Alexandre Orth
Dezembro/2001
Orientador: Marcelo Ricardo Stemmer, Prof. Dr. Ing.
rea de Concentrao: Automao Industrial.
Palavras-chave: Automao, Inteligncia Artificial, Monitoramento de Processos de
Fabricao/Usinagem, Sistemas de Viso, Redes Neurais Artificiais.
Nmero de Pginas: 150.
RESUMO: O mercado consumidor mudou muito nas ltimas dcadas. Atualmente, as
empresas tm que lidar com um consumidor extremamente exigente. Para se manter no
mercado, elas precisam desenvolver, em um curto perodo de tempo, produtos altamente
personalizados e especializados, com custos reduzidos. Neste sentido, o monitoramento do
processo de fabricao de fundamental importncia para otimizar a produo, em termos
de custo e tempo, e melhorar a qualidade do produto final. Atravs deste monitoramento,
pode-se evitar que um produto defeituoso seja fabricado e chegue ao consumidor. Esta
dissertao aborda o desenvolvimento de um sistema de viso para a medio do desgaste
de flanco de ferramentas de corte. Este documento inicia descrevendo o problema do
desgaste de flanco e as tecnologias existentes para o monitoramento do processo de
fabricao. Em seguida, apresentam-se todas as fases do desenvolvimento deste sistema de
viso, desde o projeto ptico at a implementao do software. Por fim, apresentado,
detalhadamente, o sistema de medio desenvolvido, concluindo com uma avaliao do
projeto e um conjunto de sugestes para futuros trabalhos.
ix
Abstract of Dissertation presented to UFSC as a partial fulfillment of the
requirements for the degree of Master in Electrical Engineering.
DEVELOPMENT OF A MACHINE VISION SYSTEM
TO MEASURE THE FLANK TOOLWEAR
IN CUTTING TOOLS
Alexandre Orth
December / 2001
Advisor: Marcelo Ricardo Stemmer, Prof. Dr. Ing.
Area of Concentration: Industrial Automation.
Keywords: Automation, Artificial Intelligence, Machine Vision, Machining Processes
Monitoring, Metrology, Neural Network.
Number of Pages: 150.
ABSTRACT: The market has changed significantly over the last years. Nowadays,
industries must deal with extremely demanding customers. In order to stay in business,
they have to develop quickly customized and specialized products, with low prices. In this
sense, the machining monitoring has a crucial importance in the way it optimizes the
productivity and, still, makes the end-product quality better. Machining monitoring can
avoid the production of a defective product; which, without this system, could reach a
consumer. This dissertation discusses the development of a machine vision system for
measuring the cutting tools flank wear. This document starts a description of the tool wear
problem and existing technologies for monitoring machining processes. Following that, all
of the machine vision project phases are described, from the optics project until the
software development. Finishing, the measurement system developed is presented in
details, concluding with an evaluation of the system and a list of suggestions for future
works.
x
SUMRIO
Sumrio ................................................................................................................................................x
Lista de Figuras.................................................................................................................................xiv
Lista de Tabelas ............................................................................................................................. xviii
Lista de Abreviaturas ........................................................................................................................xix
1 Introduo.....................................................................................................................................1
1.1 Processo de Fabricao por Usinagem..................................................................................2
1.2 Tipos de Ferramentas de Corte..............................................................................................5
1.3 Desgaste de Ferramentas de Corte ........................................................................................6
1.3.1 Causas de Desgaste ........................................................................................................7
1.3.2 Tipos de Desgaste ..........................................................................................................8
1.4 Objetivos .............................................................................................................................10
1.4.1 Sistema de Viso..........................................................................................................11
1.4.2 Objetivos Detalhados ...................................................................................................12
2 Monitoramento de Processos de Fabricao ..............................................................................14
2.1 Justificativas para o Monitoramento de Processos .............................................................14
2.2 Monitoramento Baseado nas Foras de Usinagem.............................................................17
2.2.1 Dinammetros para Medio Direta............................................................................18
2.2.2 Discos e Anis..............................................................................................................18
2.2.3 Sensores de Deformao (Pinos) .................................................................................19
2.2.4 Medio de Deslocamento...........................................................................................19
2.2.5 Rolamentos para Medio de Foras (Bearings).........................................................19
2.2.6 Fora e Torque no Fuso e no Suporte da Ferramenta..................................................20
2.3 Monitoramento Baseado nas Medies da Corrente do Motor e da Potncia Efetiva .......21
2.4 Monitoramento Baseado na Emisso Acstica...................................................................21
2.5 Monitoramento Baseado na Vibrao.................................................................................22
2.6 Mtodos Diretos de Medio do Desgaste..........................................................................23
2.6.1 Sensores de Proximidade .............................................................................................23
2.6.2 Sensores Radioativos ...................................................................................................23
2.7 Tcnicas Avanadas de Monitoramento .............................................................................23
2.7.1 Sensores Inteligentes....................................................................................................24
2.7.2 Sistemas de Viso ........................................................................................................25
xi
2.7.3 Redes Neurais Artificiais .............................................................................................25
2.7.4 Exemplo de um Sistema de Monitoramento Multisensorial .......................................26
2.8 Estratgias de Implementao.............................................................................................28
3 Projeto ptico e de Iluminao ..................................................................................................30
3.1 Definies Bsicas para o Projeto de Sistemas de Viso....................................................30
3.1.1 Campo de Viso (FOV) ...............................................................................................31
3.1.2 Tamanho do Sensor......................................................................................................32
3.1.3 Tamanho da Imagem (IS) ............................................................................................33
3.1.4 Distncia de Trabalho (WD)........................................................................................33
3.1.5 Magnitude Primria (PMAG) ......................................................................................33
3.1.6 Magnitude da Imagem Digital (MID)..........................................................................34
3.1.7 Magnitude do Sistema (SMAG) ..................................................................................34
3.1.8 Contraste (CT)..............................................................................................................34
3.1.9 Resoluo.....................................................................................................................35
3.1.10 Abertura de Lentes (f/#)...............................................................................................37
3.1.11 C/CS-Mount .................................................................................................................37
3.1.12 Profundidade de Campo (DOF) ...................................................................................37
3.1.13 Sensibilidade do Sensor da Cmera.............................................................................38
3.1.14 Formato de Sinais de Vdeo.........................................................................................39
3.1.15 Controle Automtico do Ganho (AGC).......................................................................40
3.1.16 Shutter Eletrnico ........................................................................................................40
3.1.17 Cmeras Monocromticas ou Coloridas ......................................................................40
3.2 O Sistema ptico.................................................................................................................41
3.2.1 Parmetros pticos Fundamentais...............................................................................41
3.2.2 Erro de Perspectiva (Paralaxe).....................................................................................44
3.2.3 Distoro ......................................................................................................................44
3.2.4 Filtros ...........................................................................................................................45
3.2.5 Prismas e Espelhos.......................................................................................................46
3.3 Tcnicas de Iluminao.......................................................................................................47
3.3.1 Direcional (Unilateral ou Bilateral) .............................................................................47
3.3.2 Direcional Unilateral Perpendicular ao Eixo ptico...................................................48
3.3.3 Anel Luminoso.............................................................................................................48
3.3.4 Fundo Escuro (Darkfield) ............................................................................................49
3.3.5 Axial Difusa .................................................................................................................50
xii
3.3.6 Frontal Difusa ..............................................................................................................51
3.3.7 Iluminao de Fundo (Backlight).................................................................................51
3.3.8 Iluminao Linear (Structured ou Line Generating) ...................................................52
3.3.9 Dia Nublado (Cloudy Day) ..........................................................................................52
3.3.10 Polarizada.....................................................................................................................53
4 Tcnicas de Processamento de Imagens.....................................................................................55
4.1 Imagem e ROI .....................................................................................................................55
4.2 Operaes Bsicas...............................................................................................................56
4.3 Transformaes Geomtricas..............................................................................................58
4.4 Threshold.............................................................................................................................59
4.4.1 Threshold Adaptativo...................................................................................................59
4.5 Filtros (Convolues)..........................................................................................................60
4.6 Operadores Morfolgicos....................................................................................................62
4.7 Deteco de Formas Geomtricas Bsicas..........................................................................63
4.7.1 Interpolao Linear ......................................................................................................64
4.7.2 Transformada de Hough ..............................................................................................65
4.8 Segmentao........................................................................................................................67
4.8.1 Arquitetura Piramidal...................................................................................................67
4.8.2 Pirmide Gaussiana e Laplaciana ................................................................................69
4.8.3 Segmentao por Arquitetura Piramidal......................................................................70
4.9 Contornos ............................................................................................................................71
4.10 Contornos Ativos (Snakes)..................................................................................................72
5 Sistema de Identificao de Formas ...........................................................................................76
5.1 Introduo ao Projeto RAP .................................................................................................76
5.2 Anlise de Contornos por Sries de Fourier .......................................................................77
5.3 Normalizao dos Descritores de Fourier do Contorno......................................................79
5.4 Reconhecimento por Redes Neurais ...................................................................................81
5.5 Teste do Sistema de Identificao de Formas.....................................................................82
6 A Biblioteca de Software S2iLib.............................................................................................84
6.1 Objetivos da Biblioteca S2iLib ...........................................................................................84
6.2 Estratgia de Desenvolvimento...........................................................................................85
6.2.1 Software Livre..............................................................................................................85
6.2.2 Bibliotecas da Intel.......................................................................................................86
6.2.3 Plataforma Windows e Linux ......................................................................................86
xiii
6.2.4 Metodologia de Desenvolvimento de Software...........................................................86
6.2.5 Linguagem C/C++ .......................................................................................................87
6.2.6 Ferramentas de Desenvolvimento................................................................................88
6.3 Mdulos da Biblioteca S2iLib ............................................................................................88
6.3.1 S2iImage ......................................................................................................................88
6.3.2 S2iNeural .....................................................................................................................90
6.3.3 S2iInterpol....................................................................................................................93
6.3.4 S2iTime........................................................................................................................93
6.3.5 S2iFourier.....................................................................................................................94
6.3.6 S2iWebCam.................................................................................................................95
7 O Sistema de Medio de Desgaste de Flanco...........................................................................96
7.1 O Projeto ptico e de Iluminao do Sistema ....................................................................96
7.1.1 Definio dos Parmetros do Sistema de Viso ..........................................................96
7.1.2 Seleo da Cor de Fundo da Imagem........................................................................100
7.1.3 Seleo do Sistema de Iluminao.............................................................................101
7.2 Algoritmo de Processamento de Imagens .........................................................................103
7.2.1 Algoritmo de Alinhamento da Imagem.....................................................................105
7.2.2 Algoritmo de Deteco do Desgaste..........................................................................109
7.2.3 Algoritmo de Medio do Desgaste...........................................................................111
7.2.4 Algoritmo de Classificao do Desgaste ...................................................................112
7.3 Software de Medio do Desgaste ....................................................................................113
7.4 Teste e Avaliao do Sistema de Viso ............................................................................115
8 Concluses e Perspectivas ........................................................................................................119
Referncias Bibliogrficas ...............................................................................................................124
xiv
LISTA DE FIGURAS
Fig. 1.1: Simulao da Usinagem de uma Pea em Ao ABNT 316 [78]. .........................................3
Fig. 1.2: Ilustrao das Tenses Hidrostticas Observadas na Usinagem de uma Pea [78]..............3
Fig. 1.3: Exemplo do Processo de Usinagem-Tornear [70]. ...............................................................4
Fig. 1.4: Exemplo do Processo de Usinagem Furar [70]..................................................................4
Fig. 1.5: Exemplos do Processo de Usinagem Fresar [70]. ..............................................................4
Fig. 1.6: Exemplo de Ferramentas de Corte Aplicadas no Fresamento [41, 70].................................6
Fig. 1.7: Exemplos de Ferramentas de Corte Aplicadas ao Torneamento [41, 70].............................6
Fig. 1.8: Ilustrao dos Tipos de Desgaste de Ferramenta [41]. .........................................................7
Fig. 1.9: Causas de Desgaste na Usinagem [41]..................................................................................8
Fig. 1.10: Variao do Desgaste com a Velocidade de Corte (V
3
> V
2
> V
1
) [41]........................8
Fig. 1.11: Variveis Medidas para Monitor o Desgaste de Flanco [41]............................................11
Fig. 1.12: Componentes de um Sistema de Viso. ............................................................................12
Fig. 2.1: Sensores Aplicados no Monitoramento do Processo de Fabricao [5]. ............................15
Fig. 2.2 : Distribuio do Monitoramento dos Processos de Fabricao da Mercedes-Benz [5]......15
Fig. 2.3: Mtodos pticos de Medio da Qualidade Superficial da Pea [5]..................................17
Fig. 2.4 : Sensor de Fora Piezeltrico com Quartzo [5, 37, 52].......................................................19
Fig. 2.5: Sensor de Torque e Fora para o Suporte da Ferramenta [37]............................................20
Fig. 2.6: Exemplo de um Sensor de Vibrao [52]. ..........................................................................22
Fig. 2.7 : Sensor para a Medio das Foras de Corte e Emisso Acstica [10]. .............................24
Fig. 2.8: Estratgia de Monitoramento do Desgaste de Ferramentas [51]. .......................................26
Fig. 2.9: Sistema de Viso: Microscpio com uma Cmera Acoplada [51]. ....................................27
Fig. 2.10: Imagem Obtida pelo Sistema de Viso Apresentado Anteriormente [51]........................27
Fig. 3.1 : a) Imagem. b) Escala de Tons de Cinza. c) Imagem Digitalizada......31
Fig. 3.2: Parmetros Fundamentais em um Sistema de Viso [16]. ..................................................31
Fig. 3.3 Exemplos de Tamanhos de Sensores de Cmeras [16]. .......................................................32
Fig. 3.4: Ilustrao do Contraste em uma Imagem em Tons de Cinza [16]. .....................................35
Fig. 3.5: Exemplo onde o Primeiro Par de Objetos no Distinguvel (a) e o Outro (b) [16].......36
Fig. 3.6: Influncia da Abertura da Lente (f/#) na Profundidade de Campo (DOF) [16]. ................37
Fig. 3.7: Medio da Profundidade de Campo (Foco) [16]...............................................................38
Fig. 3.8: Curva de Resposta Tpica de um Sensor CCD [16]. ...........................................................39
Fig. 3.9: Conectores Comumente Utilizados em Sinais Analgicos [16]. ........................................40
xv
Fig. 3.10: Parmetros pticos Bsicos ..............................................................................................41
Fig. 3.11: Exemplo Prtico de um Sistema ptico............................................................................42
Fig. 3.12: Ilustrao do Efeito de Paralaxe e da Lente Telecntrica [48]. ........................................44
Fig. 3.13: Ilustrao do Efeito da Distoro [16]. .............................................................................45
Fig. 3.14: Exemplo de Filtros pticos. ..............................................................................................45
Fig. 3.15: Ilustrao do Espectro Freqencial da Luz. ......................................................................46
Fig. 3.16: Exemplo de uma Aplicao Utilizando o Filtro Verde.....................................................46
Fig. 3.17: Exemplo da Aplicao de Prismas para Desviar Feixes Luminosos. ...............................47
Fig. 3.18: Iluminao Direcional [16, 55]. ........................................................................................48
Fig. 3.19: Iluminao Direcional Unilateral Perpendicular ao Eixo ptico [16, 55]........................48
Fig. 3.20: Iluminao em Anel [16, 55].............................................................................................49
Fig. 3.21: Iluminao de Fundo-Escuro (ou Darkfield) [16, 55].......................................................49
Fig. 3.22: a) Exemplo com Anel Luminoso. b) Exemplo com Fundo-Escuro (Darkfield)...............50
Fig. 3.23: Iluminao Axial Difusa [16, 55]......................................................................................50
Fig. 3.24: Iluminao Frontal Difusa [16, 55]. ..................................................................................51
Fig. 3.25: Iluminao de Fundo (Backlight) [16, 55]. .......................................................................52
Fig. 3.26: Iluminao Linear [16, 55]. ...............................................................................................52
Fig. 3.27: Iluminao Dia Nublado (Cloudy Day) [16, 55]...............................................................53
Fig. 3.28: Iluminao Polarizada [16, 55]. ........................................................................................54
Fig. 4.1: Exemplo de uma ROI Sobre Outra ROI..............................................................................55
Fig. 4.2: Exemplo de Translao e Rotao de uma Imagem. ..........................................................58
Fig. 4.3: Exemplo de uma Imagem aps a Operao de Threshold. .................................................59
Fig. 4.4: Exemplificao da Convoluo...........................................................................................60
Fig. 4.5: Exemplos de Aplicaes do Filtro Canny. ..........................................................................62
Fig. 4.6: a) Imagens A e B. b) Dilatao D(A,B). c) Eroso E(A,B)..............................................62
Fig. 4.7: Os Elementos Estruturantes Padro N4 e N8, Respectivamente. .......................................63
Fig. 4.8: Exemplo de Aplicaes de Morfologia. ..............................................................................63
Fig. 4.9: Exemplo de um Acumulador de Parametrizao da Transformada Hough........................66
Fig. 4.10: Exemplo da Transformada Hough Aplicada Equao Polar da Reta. ...........................66
Fig. 4.11: Ilustrao da Transformada Hough Aplicada a Elipses. ...................................................67
Fig. 4.12: Exemplo de Aplicao de Segmentao em uma Imagem de uma Madeira. ...................67
Fig. 4.13: Ilustrao de uma Arquitetura Piramidal. .........................................................................68
Fig. 4.14: Representao de Dados em Quad-Tree. ......................................................................68
Fig. 4.15: Representao da Imagem por Pirmides em Nveis de Resoluo Diferentes................69
xvi
Fig. 4.16: Ilustrao do Clculo das Pirmides Gaussiana e Laplaciana [32]...................................70
Fig. 4.17: Exemplo de Segmentao por Pirmides. .........................................................................71
Fig. 4.18: Exemplos de Anlise de Contornos. .................................................................................72
Fig. 4.19: Ilustrao do Conceito de Contornos Ativos (Snakes)......................................................73
Fig. 4.20: Exemplo de Aplicao Utilizando-se Contornos Ativos. .................................................75
Fig. 5.1: Rob com o Sistema de Viso (Foto Tirada no Stand da UFSC na Fenasoft98). .............76
Fig. 5.2: Exemplo de uma Imagem com os Contornos Destacados. .................................................77
Fig. 5.3: Ilustrao dos Descritores de Fourier (ao Fundo) e de um Tipo de Normalizao. ...........80
Fig. 5.4: Topologia Tpica de uma Rede Neural Artifical. ................................................................81
Fig. 5.5: Imagem Adquirida da Pea Pallet pelo Software RAP. ..................................................82
Fig. 5.6: Contornos Calculados..........................................................................................................83
Fig. 6.1: Exemplo de Documentao de um Mdulo da Biblioteca..................................................87
Fig. 6.2: Modelagem do Mdulo S2iImage.......................................................................................89
Fig. 6.3: Ilustrao do Mtodo de Acesso Rpido a Pixels da Imagem. ...........................................89
Fig. 6.4: Exemplo de Utilizao da Biblioteca S2iImage..................................................................90
Fig. 6.5: Modelagem do Mdulo S2iNeural. .....................................................................................91
Fig. 6.6: Ilustrao do Mdulo S2iInterpol. ......................................................................................93
Fig. 6.7: Modelagem do Mdulo S2iTime. .......................................................................................93
Fig. 6.8: Ilustrao do Mdulo S2iFourier. .......................................................................................94
Fig. 6.9: Ilustrao do Mdulo S2iWebCam. ....................................................................................95
Fig. 7.1: Ferramenta Utilizada para nos Ensaios de Medio de Desgaste. ......................................96
Fig. 7.2: Configurao do Sistema de Viso Projetado. ....................................................................99
Fig. 7.3: Exemplo de Imagens Obtidas com Fundo Branco. ...........................................................100
Fig. 7.4: Exemplo de Imagens Obtidas com Fundo Preto. ..............................................................101
Fig. 7.5: Ilustrao do Tcnica de Iluminao Adotada. .................................................................102
Fig. 7.6: Sistema de Iluminao Adaptativo Desenvolvido pelo WZL...........................................103
Fig. 7.7: Algoritmo de Processamento de Imagens. ........................................................................105
Fig. 7.8: Algoritmo de Alinhamento das Imagens...........................................................................107
Fig. 7.9: Algoritmo de Deteco da Linha Principal Presente em uma ROI. .................................108
Fig. 7.10: Exemplo da Aplicao do Mtodo de Alinhamento. ......................................................109
Fig. 7.11: Algoritmo de Deteco da Regio de Desgaste. .............................................................110
Fig. 7.12: Ilustrao do Algoritmo de Deteco da Regio de Desgaste. .......................................111
Fig. 7.13: Ilustrao do Resultado Obtido na Medio do Desgaste...............................................111
Fig. 7.14: Algoritmo de Medio do Desgaste. ...............................................................................112
xvii
Fig. 7.15: Algoritmo de Classificao do Desgaste por Redes Neurais. .........................................113
Fig. 7.16: Modelagem do Aplicativo S2iToolWear. .......................................................................114
Fig. 7.17: Interface da Aplicativo de Medio do Desgaste de Ferramenta. ..................................115
Fig. 7.18: Imagem Visualizada no Microscpio Utilizado para Medir o Desgaste. .......................116
Fig. 7.19: Exemplo de Medio Efetuada pelo Sistema (Nome: Fig15c na Tab. 7.2)....................118
Fig. 8.1: Proposta para o Novo Mdulo de Iluminao...................................................................120
Fig. 8.2: Configurao Futura do Sistema de Viso. .......................................................................121
Fig. 8.3: Ilustrao de um Sistema de Viso Utilizando Viso Estreo [26]. .................................122
Fig. 8.4: Exemplo de uma Reconstruo Tridimensional [32]........................................................122
Fig. 8.5: Ilustrao da Tcnica de Franjas de Moir [26]. ...............................................................123
xviii
LISTA DE TABELAS
Tab. 1.1: Tabela com os Diferentes Tipos de Desgaste de Ferramenta [41].......................................9
Tab. 3.1: Parmetros Fundamentais de um Sistema ptico. .............................................................41
Tab. 7.1: Comparao das Diferentes Estratgias de Iluminao. ..................................................101
Tab. 7.2: Tabela com os Resultados das Medies Efetuadas Pelo Sistema de Viso. ..................117
xix
LISTA DE ABREVIATURAS
AGC: Controle Automtico de Ganho.
APZ: Clula Autnoma de Produo (Autonome Produktionszellen).
AV
B
: rea do Desgaste de Flanco.
CCD: Charge Coupled Device.
CNC: Comando Numrico Computadorizado.
CT: Contraste.
CTC: Centro Tecnolgico.
DAS: Departamento de Automao e Sistemas.
DFG: Comunidade de Pesquisa Alem (Deutsche Forschungsgemeinschaft).
DFT: Transformada Discreta de Fourier.
DOF: Campo de Viso.
EA: Emisso Acstica.
EMC: Departamento de Engenharia Mecnica.
FMC: Clula Flexvel de Manufatura.
FOV: Campo de Viso.
IR: Infravermelho.
IS: Tamanho da Imagem.
K: Desgaste de Cratera.
K
M
: Afastamento Mdio do Desgaste de Cratera.
K
T
: Profundidade do Desgaste de Cratera.
LMP: Laboratrio de Mecnica de Preciso.
M: Magnitude.
MID: Magnitude da Imagem Digital.
PC: Computador Pessoal.
PMAG: Magnitude Primria.
PQM: Polimento Qumico Mecnico.
RAP: Reconhecimento Automtico de Peas.
RGB: Red Green Blue.
RNA: Redes Neurais Artificiais.
ROI: Regio de Interesse.
RWTH-Aachen: Universidade Tcnica de Aachen Alemanha.
xx
SAM: Mdulo dos Sensores e Atuadores.
SMAG: Magnitude do Sistema.
S2i: Grupo de Pesquisa Sistemas Industriais Inteligentes.
UFSC: Universidade Federal de Santa Catarina.
UML: Unified Modelling Language.
VFW: Video for Windows.
V
B
: Desgaste de Flanco.
V
Bmax
: Desgaste de Flanco Mximo.
WD: Distncia de Trabalho.
WZL: Laboratorium fr Werkzeugmaschinen und Betribslehre.
2D: Bidimensional.
3D: Tridimensional.
1
Desenvolvimento de um Sistema de Viso para Medir o Desgaste de Flanco de Ferramentas de Corte

_________________________________________________________________________________________
Mestrado em Engenharia Eltrica Alexandre Orth S2i / DAS / CTC / UFSC
1 INTRODUO
Na dcada de 80, o controle de qualidade dos produtos era caracterizado pela medio por
amostragem. Aps a etapa de produo, realizavam-se testes em uma determinada amostra de
produtos para verificar se eles estavam de acordo ou no com as especificaes definidas. Desta
forma, obtinha-se uma certeza estatstica garantindo que uma grande parte dos produtos possuam a
qualidade necessria. Entretanto, esta estratgia de inspeo por amostragem, no garantia 100% de
qualidade medida que permitia que algumas unidades passassem pela linha de inspeo de
qualidade contendo defeitos. Estes produtos geravam descontentamento nos clientes e denegriam a
imagem da empresa. Alm disso, estes causam prejuzo a empresa medida que reduzem a sua
produtividade e ampliam os seus custos.
A partir de ento, buscou-se desenvolver sistemas de controle de qualidade que verifi-
cassem 100% dos produtos, garantindo que somente produtos perfeitos eram entregues ao cliente.
Esta estratgia melhorou bastante a imagem das empresas frente aos seus clientes, pois reduziu
drasticamente a chance de que produtos com defeitos fossem entregues aos clientes.
Entretanto, o prejuzo causado pelos produtos com defeito persiste, uma vez que estes
produtos precisam ser inspecionados, retirados da linha de produo e retrabalhados, sendo que em
muitos casos os produtos nem sequer podem ser reprocessados e acabam sendo rejeitados (refugo).
Alm disso, as exigncias dos consumidores cresceram muito em termos de variedades de produtos
e alto ndice de personalizao e qualidade, o que forou as empresas a investirem em linhas de
produo mais flexveis, com reduo de custos e elevado ndice de qualidade. Outra exigncia do
mercado atual a reduo do tempo de desenvolvimento e lanamento de novos produtos,
denominado de time to market.
Neste contexto, o instituto WZL (Laboratorium fr Werkzeugmaschinen und Betriebslehre)
da universidade RWTH-Aachen (Universidade Tcnica de Aachen Alemanha) criou um projeto
de pesquisa intitulado SFB 368 Autonome Produktionszellen (Clula Autnoma de Produo [58],
APZ). Este projeto busca desenvolver uma clula de produo com alto ndice de independncia e
flexibilidade, capaz de produzir produtos complexos e altamente personalizados com grande
exatido e eficincia produtiva (alta produtividade com baixa taxa de produtos defeituosos). Nesta
clula de produo, o controle de qualidade dos produtos realizado durante o processo de
fabricao e, no mais, somente ao final do processo. Desta forma, o controle de qualidade
empregado na sua forma preventiva, monitorando o processo produtivo e agindo sobre este, sempre
que possvel, antes que produtos com defeitos sejam gerados. Assim, este sistema reduz
2

_________________________________________________________________________________________
consideravelmente os gastos com reprocessos de produtos defeituosos e evita que tais produtos
possam chegar ao cliente, o que poderia reduzir a sua satisfao e denegrir a imagem da empresa.
No mbito deste projeto, a Universidade Federal de Santa Catarina (UFSC), atravs do
grupo de pesquisa Sistemas Industriais Inteligentes (S2i), e o instituto WZL definiram um projeto
de cooperao internacional onde parte do projeto da Clula Autnoma de Produo [58] seria
desenvolvido no Brasil, por este grupo de pesquisa. Este projeto denominado de Technische
Manahmen zur Steigerung der Autonomie von Produktionszellen (Medies Tcnicas para a
Ampliao da Autonomia da Clula de Produo) e financiado pelo Deutsche Forschungs
gemeinschaft (DFG Comunidade de Pesquisa Alem). Neste projeto, o grupo de pesquisa S2i
vem desenvolvendo, em parceria com o WZL, dois componentes importantes da Clula Autnoma
de Produo [58], sendo o primeiro o tema desta dissertao de mestrado:
sistema de medio automtico do desgaste de ferramentas de corte, principalmente
medio do desgaste de flanco;
sistema para a configurao, instalao e monitoramento remoto de sensores, atravs
de um browser internet, em uma rede industrial instalada no interior da Clula
Autnoma de Produo (Rede de Sensores e Atuadores).
1.1 PROCESSO DE FABRICAO POR USINAGEM
O processo de fabricao por usinagem [41, 42, 73, 74] caracterizado pela remoo de
material de uma pea bruta at formar a produto desejado com as dimenses especificadas. A Fig.
1.1 apresenta uma simulao do processo de fabricao por usinagem, demonstrando, passo a
passo, a evoluo do processo de fabricao e formao do cavaco
1
. A Fig. 1.1 mostra tambm as
curvas de temperatura tipicamente observadas neste processo de fabricao.

1
Cavaco [41, 73] a parte de material retirado da pea bruta. Este possui diversas formas dependendo do
tipo de usinagem e das condies de corte (velocidade, refrigerao, fora, geometria da ferramenta etc.).
3

_________________________________________________________________________________________

Fig. 1.1: Simulao da Usinagem de uma Pea em Ao ABNT 316 [78].
A Fig. 1.2 apresenta, por sua vez, as tenses tipicamente observadas durante o processo de
usinagem de uma pea em alumnio. A variao da temperatura e das tenses, tanto na pea quanto
no cavaco e na ferramenta, esto diretamente associados aos tipos de desgastes existentes. Outro
fator importante que o cavaco retira uma grande quantidade da energia trmica do sistema, o que
reduz, em parte, o desgaste observado na ferramenta.

Fig. 1.2: Ilustrao das Tenses Hidrostticas Observadas na Usinagem de uma Pea [78].
4

_________________________________________________________________________________________
O processo de fabricao por usinagem subdivido em diversas categorias [41] de acordo
com a forma que o material removido da pea. Abaixo so apresentados os principais tipos:
Ferramentas com Geometria Definida:
o Tornear (ver Fig. 1.3);

Fig. 1.3: Exemplo do Processo de Usinagem-Tornear [70].
o Furar (ver Fig. 1.4);

Fig. 1.4: Exemplo do Processo de Usinagem Furar [70].
o Fresar (ver Fig. 1.5);

Fig. 1.5: Exemplos do Processo de Usinagem Fresar [70].
5

_________________________________________________________________________________________
o Aplainar;
o Brochar;
o Serrar;
o Limar;
Ferramentas com Geometria No-Definida:
o Retificar;
o Brunir;
o Lapidar;
o Tamborear;
o Jatear;
Processos de Remoo:
o Remoo Qumica;
o Remoo Trmica;
o Remoo Eletroqumica.
1.2 TIPOS DE FERRAMENTAS DE CORTE
Diversos tipos de ferramentas de corte [41, 42, 73, 74] so aplicados nos processos de
usinagem. Estas ferramentas diferenciam-se de acordo com o tipo de processo de usinagem, com a
tarefa desempenhada e com as suas propriedades geomtricas. Outro fator muito importante a
caracterstica do material que compe a ferramenta. Dependendo do material, a ferramenta pode ser
mais dura ou mais tenaz, possuir um determinado coeficiente de atrito ou de transmisso de calor,
influenciando, por este motivo, ativamente a resistncia a desgastes da ferramenta.
A Fig. 1.6 apresenta um conjunto de famlias de ferramentas de corte tipicamente utilizadas
no processo de fresamento. Nesta ilustrao pode-se perceber a variedades de tipos de ferramentas
de corte com propriedades bem distintas.
A Fig. 1.7 mostra que existe uma variedade de famlias de ferramentas de corte aplicadas
no torneamento. Esta figura demonstra, principalmente, a diversidade de geometria de ferramentas
existentes.
Ferramentas de uma mesma famlia ainda diferenciam-se por algumas propriedades
geomtricas, como raio de quina e do gume, ngulo de sada, comprimento do gume principal,
comprimento do gume secundrio, ngulo de corte etc.
6

_________________________________________________________________________________________

Fig. 1.6: Exemplo de Ferramentas de Corte Aplicadas no Fresamento [41, 70].

Fig. 1.7: Exemplos de Ferramentas de Corte Aplicadas ao Torneamento [41, 70].
1.3 DESGASTE DE FERRAMENTAS DE CORTE
Dependendo do tipo do processo de usinagem, das condies de corte e do tempo de
durao do processo de fabricao, a ferramenta de corte vai, gradativamente, sofrendo desgastes.
A Fig. 1.8 apresenta os dois tipos mais comuns de desgaste: o desgaste sofrido na face da
ferramenta (denominado desgaste de cratera) e o desgaste sofrido na superfcie do flanco da
ferramenta (denominado desgaste de flanco).
7

_________________________________________________________________________________________

Fig. 1.8: Ilustrao dos Tipos de Desgaste de Ferramenta [41].
Atravs da Fig. 1.8, pode-se definir o desgaste de flanco (V
B
) como o deslocamento do
gume em relao ao flanco da ferramenta SV e o deslocamento do gume em relao face SV.
Por outro lado, o desgaste de cratera K definido pela razo entre a medida da profundidade de
cratera K
T
e o afastamento mdio da cratera K
M
, i.e., atravs da relao de desgaste K = K
T
/ K
M
.
1.3.1 CAUSAS DE DESGASTE
Diversos fatores contribuem, simultaneamente, para o processo de desgaste da ferramenta.
Segundo KNIG e KLOCKE [41], os principais fatores causadores de desgaste esto listados a
seguir e apresentados na Fig. 1.9:
Danificao do gume devido s solicitaes mecnicas e trmicas excessivas;
Abraso mecnica;
Adeso (cisalhamento de microsoldagem ou microcaldeamentos);
Difuso;
Oxidao.
8

_________________________________________________________________________________________

Fig. 1.9: Causas de Desgaste na Usinagem [41].
A Fig. 1.10 apresenta um grfico da variao do desgaste da ferramenta em funo do
tempo de usinagem e a velocidade de corte. A regio #1 indica a fase em que a ferramenta entra em
contato com o material da pea. A regio #2 indica a fase onde ocorre grande parte do desgaste da
ferramenta. A regio #3 indica a fase onde a regio de corte atinge altas temperaturas e o desgaste
da ferramenta bastante acentuado. Percebe-se tambm, atravs desta figura, que o emprego de
uma velocidade de corte menor aumenta o tempo de vida da ferramenta (reduz a velocidade de
desgaste). Entretanto, esta opo reduz a produtividade da mquina-ferramenta.

Fig. 1.10: Variao do Desgaste com a Velocidade de Corte (V
3
> V
2
> V
1
) [41].
1.3.2 TIPOS DE DESGASTE
Estes desgastes so classificados em diversos grupos dependendo da causa do desgaste e da
degradao na ferramenta de corte [41].
A tabela a seguir apresenta os principais tipos de desgaste de ferramenta (ver Tab. 1.1):
9

_________________________________________________________________________________________
Tab. 1.1: Tabela com os Diferentes Tipos de Desgaste de Ferramenta [41].
n. Tipo de Desgaste Ilustrao
a) Desgaste de Flanco (VB)

b) Desgaste de Cratera (K)

c) Deformao Plstica

d) Desgaste de Entalhe

e) Fissuras Longitudinais e Transversais

f) Fratura por Fadiga

g) Quebra

h) Gume Postio

i) Micro-Lascamentos

10

_________________________________________________________________________________________
Apesar do alto nvel de automatizao das fbricas atuais, grande parte destas ainda utiliza
mtodos parcialmente manuais para medio do desgaste das ferramentas. O operador utiliza
alguns equipamentos de apoio como microscpio ou lupas para estimar o valor do desgaste.
Entretanto, este mtodo impreciso e subjetivo, gerando falhas na estimao do tempo de vida da
ferramenta.
1.4 OBJETIVOS
No contexto aqui apresentado, este trabalho de mestrado [57] tem por objetivo principal
desenvolver um sistema de viso para mquinas-ferramentas capaz de mensurar o desgaste sofrido
pela ferramenta de corte durante o processo de fabricao e, posteriormente, classificar este
desgaste entre os grupos definidos na Tab. 1.1.
O desgaste de flanco uma das variveis mais importantes para o monitoramento do
processo de fabricao. Um sistema capaz de medir esta varivel totalmente automatizado e com
alta preciso extremamente complexo devido, principalmente, aos seguintes fatores:
variabilidade da geometria das ferramentas;
variabilidade do material de composio das ferramentas, afetando tanto a formao do
desgaste quanto a colorao da ferramenta;
alta capacidade de refletir a luz, o que dificulta a localizao precisa da rea
desgastada;
ambiente industrial, sujeito presena de sujeira, fluidos, altas temperaturas, vibraes
mecnicas e rudos eletromagnticos;
espao de trabalho reduzido, medida que o sistema de medio deve ser acoplado
mquina-ferramenta, adaptando-se ao espao disponvel.
O Desgaste de Flanco o principal parmetro utilizado atualmente para monitorar o
processo de fabricao [41]. Por esta razo e devido complexidade acima mencionada, este
trabalho ser focado na medio do desgaste de flanco, com a capacidade de detectar a quebra ou o
lascamento da ferramenta. Entretanto, um requisito importante, mas no indispensvel, que a
metodologia desenvolvida seja genrica e flexvel, facilitando a sua adaptao para, futuramente,
medir outras variveis que caracterizam o desgaste da ferramenta, como as do desgaste de cratera.
As medies sero realizadas antes que a ferramenta de corte seja armazenada no magazine
2
da
mquina-ferramenta, isto , aps o processo de fabricao. As variveis medidas sero utilizadas

2
Maganize o local onde as ferramentas so armazenadas em uma mquina-ferramenta para posterior uso.
11

_________________________________________________________________________________________
para a tomada da deciso de como a ferramenta ser aplicada no prximo passo do processo de
fabricao.
As variveis medidas para monitorar o desgaste de flanco so apresentadas na Fig. 1.11:
Desgaste de Flanco (V
B
);
Desgaste de Flanco Mximo (V
Bmax
);
rea do Desgaste de Flanco (AV
B
), na Fig. 1.11 representada pela rea do contorno;

Fig. 1.11: Variveis Medidas para Monitor o Desgaste de Flanco [41].
Estas informaes sero utilizadas para estimar o tempo de vida da ferramenta e para
compensar a trajetria desta, visando manter a qualidade do produto final apesar da deteriorao
sofrida pela ferramenta. Alm disso, estas variveis sero utilizadas pelo Mdulo de Planejamento
e Controle do Processo de Fabricao da Clula Autnoma de Produo [58] para otimizar os
parmetros de usinagem e a utilizao da ferramenta de corte, aumentando a produtividade da
clula de produo, reduzindo os custos com trocas indevidas de ferramentas e evitando que
produtos defeituosos sejam fabricados.
Destaca-se ainda que no existe atualmente no mercado um sistema similar, capaz de
realizar esta medio de forma eficiente, precisa e robusta. Assim, o trabalho de grande
relevncia, com real possibilidade de se tornar uma tecnologia disponvel para as empresas.
1.4.1 SISTEMA DE VISO
Para conseguir realizar a deteco e a medio do desgaste da ferramenta de forma robusta
e precisa, ser projetado um sistema de viso industrial [34] especializado para esta aplicao. Este
sistema ser constitudo, principalmente, pelas seguintes partes (veja Fig. 1.12):
Sistema ptico: sistema responsvel pelo tipo de iluminao que incide sob o objeto e
como uma caracterstica especfica deste ser ressaltada na imagem;
Cmera: sistema responsvel por capturar as imagens dos objetos e transform-las em
um formato eletrnico interpretvel pelo computador.
12

_________________________________________________________________________________________
Sistema Processador (Hardware e Software): elemento responsvel por interpretar
as imagens e extrair as informaes desejadas.
Este trabalho visa projetar estes trs componentes do sistema de viso, para medir de forma
eficiente o desgaste das ferramentas de corte. Esta tarefa envolve desde um estudo das tcnicas
existentes, o desenvolvimento de novas metodologias at suas implementaes e testes.

Fig. 1.12: Componentes de um Sistema de Viso.
Este sistema dever ser implantado em uma cmera inteligente (Smart Camera) com um
processador Pentium (da empresa Intel) embarcado. Este equipamento ser fornecido pelo projeto
de cooperao com o instituto WZL da Alemanha.
1.4.2 OBJETIVOS DETALHADOS
Detalhadamente, propem-se os seguintes objetivos especficos para este trabalho:
Projeto do sistema ptico e de iluminao do sistema de viso;
Implementao das rotinas de filtragem de imagens, deteco de contornos, e pr-
processamento de imagens, para obter as caractersticas (features) das ferramentas;
Implementao das rotinas de processamento de imagens para medirem o desgaste de
flanco sofrido pela ferramenta;
Implementao dos algoritmos da transformada de Fourier sobre os contornos das
ferramentas;
Implementao de uma Rede Neural para efetuar a classificao dos tipos de desgastes;
Teste do sistema de viso in locus para corrigir e ajustar o sistema;
Modelagem do Projeto atravs da metodologia UML (Unified Modelling Language);
13

_________________________________________________________________________________________
Documentao do projeto para viabilizar a sua reutilizao;
Anlise dos resultados obtidos.
O desenvolvimento do projeto ocorreu no Grupo S2i (Sistemas Industriais Inteligentes),
que faz parte do DAS (Departamento de Automao e Sistemas). Para tal, foi utilizado um
microcomputador PC Pentium III com clock de 550 Mega Hertz e com 128 Mega bytes de
memria RAM, uma cmera com um microprocessador acoplado e um conjunto ptico. O
computador estava totalmente equipado com o hardware e o software necessrios para a criao,
desenvolvimento e implementao do sistema. Testes prticos foram realizados no LMP
(Laboratrio de Mecnica de Preciso) do Departamento de Engenharia Mecnica (EMC) da
UFSC, com um conjunto de amostras de ferramentas de torneamento.
A segunda etapa do projeto, que consiste na realizao de novos testes e na integrao do
sistema Clula Autnoma de Manufatura [58], ser realizada no Instituto WZL na Universidade
Tcnica de Aachen (RWTH) na Alemanha. Esta etapa ser realizada aps concluso deste trabalho,
em Maro de 2002.
No prximo captulo (cap. 2), apresentam-se as tecnologias comumente empregadas para o
monitoramento do desgaste de ferramenta. Em seguida (cap. 3), descreve-se o projeto ptico e de
iluminao de um sistema de viso. Posteriormente (cap. 4), discutem-se os algoritmos de proces-
samento de imagens aplicados neste trabalho. O captulo 5 apresenta o sistema de classificao de
objetos atravs de seus contornos, utilizado neste trabalho para classificar o tipo de desgaste da
ferramenta. Na seqncia, captulo 6, apresenta-se a biblioteca de software desenvolvida para esta
aplicao. Finalmente, no captulo 7, apresenta-se o sistema de viso desenvolvido para a medio
do desgaste da ferramenta. O documento termina com concluses sobre este trabalho e um
conjunto de sugestes para trabalhos futuros.
14

_________________________________________________________________________________________
2 MONITORAMENTO DE PROCESSOS DE FABRICAO
Esta dissertao visa desenvolver um sistema de monitoramento do desgaste de ferra-
mentas de corte. Com o intuito de contextualizar este trabalho e tambm fornecer dados para a sua
anlise, faz-se necessrio apresentar os sistemas existentes com suas caractersticas, qualidades e
deficincias. Portanto, este captulo tem por objetivo apresentar as tcnicas existentes para o
monitoramento dos processos de fabricao.
2.1 JUSTIFICATIVAS PARA O MONITORAMENTO DE PROCESSOS
O monitoramento de processos de fabricao [7, 19, 37, 41, 42, 50, 51, 52, 73, 74, 77, 78]
empregado segundo o conceito de qualidade preventiva, ou seja, o processo de fabricao
monitorado com a inteno de evitar que produtos deficientes (refugos) sejam produzidos. Por
exemplo, monitorando o desgaste das ferramentas, pode-se controlar a qualidade da pea fabricada
e melhorar o desempenho do processo de fabricao. Medindo-se o desgaste de flanco, podem-se
compensar erros de fabricao garantindo-se a qualidade geomtrica da pea.
Neste sentido, sensores avanados acoplados com sistemas microprocessados (microcom-
putadores, CLP etc.) fornecem dados importantes sobre as condies de usinagem e o seu
monitoramento, permitindo assim o controle e a otimizao do processo de fabricao. Conhecer o
estado da ferramenta antes da fabricao facilita a otimizao do processo. Entretanto, para atingir
os nveis de qualidade e produtividade esperados, faz-se necessrio o controle on-line da qualidade
do processo de fabricao e o freqente diagnstico da ferramenta.
No monitoramento do processo de fabricao preciso determinar quais variveis devero
ser medidas e como estas medies sero realizadas. Estas determinaes dependem do processo de
fabricao, da ferramenta e das condies de usinagem.
Erros de medies ocorrem devido a uma srie de fatores como: a utilizao de um sensor
inadequado, ou mesmo seu mau posicionamento em local, sistema de tratamento de dados
deficientes, falha durante a configurao ou calibrao do sensor e, ainda, influncia do ambiente
externo sob o sensor (aumento da temperatura, presena de fluido de corte etc.). Estes erros devem
ser dimensionados e controlados, garantindo a qualidade dos dados obtidos. Atualmente, a maioria
dos sensores so mais empregados no gerenciamento e controle da mquina-ferramenta do que,
propriamente, no monitoramento das condies de usinagem (ver Fig. 2.1).
Existem hoje diferentes sensores aplicados no monitoramento do ambiente de usinagem,
como apresentado na Fig. 2.1. Os sensores mais comuns utilizados na usinagem so: sensor de
fora, potncia e emisso acstica.
15

_________________________________________________________________________________________

Fig. 2.1: Sensores Aplicados no Monitoramento do Processo de Fabricao [5].
As indstrias automotivas alems realizaram um importante trabalho investindo no
monitoramento das condies de usinagem em seus processos de fabricao. A Fig. 2.2 apresenta
como o monitoramento dos processos est distribudo na fbrica da Mercedes Benz [5]. A figura
mostra que 57% do monitoramento aplicado nos processos de torneamento e 42% na furao.
torneamento
38%
fresamento
8%
outros
6%
retificao
3%
furao
45%

Fig. 2.2 : Distribuio do Monitoramento dos Processos de Fabricao da Mercedes-Benz [5].
Avaliando-se os sistemas de monitoramento instalados na fbrica [5], concluiu-se que
apenas 46% dos sensores operavam adequadamente, 16% operavam com uma funcionalidade
limitada e 25% no tinham uso algum devido a limitaes tecnolgicas. Este estudo [5] aponta que
16

_________________________________________________________________________________________
a maior causa de erros dos sensores se deve a uma falha na interao destes sistemas com os
usurios. Desta forma, o treinamento de pessoal um elemento vital para o sucesso do monitora-
mento do processo de fabricao.
A partir da ltima dcada [5] que os sensores foram agrupados com sistemas inteligentes
de processamento para construir um sistema de monitoramento global do processo de fabricao,
em vez de cada sensor realizar medies isoladas. O monitoramento do processo de fabricao
empregado, atualmente, para obter a melhor desempenho possvel do sistema, em termos de
reduo do tempo e do custo de produo, ampliando-se a qualidade dos produtos finais. O enfoque
do monitoramento est na mquina (diagnstico e monitoramento da performance), na ferramenta
(medio do desgaste, lubrificao e alinhamento), na pea (geometria e dimenses, caractersticas
superficiais, rugosidade, tolerncia e danificaes no material da pea) ou no processo em si
(formao de gume postio, temperatura e consumo de energia).
Sensores para o monitoramento da usinagem precisam atender uma srie de requisitos. Os
seus dados devem permitir a deteco de adeses, quebra e desgaste da ferramenta. Em muitos
casos, o monitoramento da ferramenta aplicado durante o processo de usinagem. Portanto, o
sistema deve ser capaz de medir estas variveis durante o processo de usinagem. Mais do que isto,
preciso determinar a qualidade da pea fabricada durante a usinagem. Requisitos extras advm do
fato que o ambiente da mquina-ferramenta hostil (presena de rudos, umidade etc.). Sensores
para o monitoramento precisam atender os seguintes requisitos [5, 37]:
medir a usinagem o mais prximo possvel da regio de corte para, assim, realizar
medies que reflitam o estado real do sistema;
no influenciar o desempenho da mquina-ferramenta;
no restringir o espao de trabalho ou influenciar os parmetros da usinagem;
permitir a troca ou a manuteno facilitada e com baixos custos;
resistir s condies do ambiente como: choque, campos magnticos, altas
temperaturas etc.;
funcionar independente da ferramenta ou da pea;
possuir caractersticas metrolgicas adequadas;
fornecer uma transmisso confivel do sinal.
Os sensores aplicados no monitoramento so classificados entre sistemas contnuos ou
intermitentes:
Contnuos: a medio realizada durante o processo de usinagem podendo-se, em
qualquer instante, medir a varivel em foco. Com este sistema, pode-se realizar o
17

_________________________________________________________________________________________
acompanhamento freqente da varivel e perceber mudanas bruscas em seu valor,
detectando, assim, situaes emergenciais como, por exemplo, a quebra da ferramenta;
Intermitentes: as medies so realizadas antes ou aps o processo de usinagem,
enquanto a ferramenta e a mquina esto paradas. Possuem um custo maior pois muitas
vezes implicam em um tempo maior em que a mquina permanece parada para
finalizar uma medio.
Estes sensores tambm so classificados entre sistemas diretos e indiretos de medio:
Direto: a medio fornece, diretamente, o valor da varivel de interesse e, por isso,
possui uma exatido maior;
Indireto: utiliza-se os dados das medies de variveis auxiliares para calcular o valor
da varivel de interesse. Por exemplo, a fora de usinagem medida atravs das suas
componentes.
Dois tipos de sensores [5] so aplicados para medir a qualidade superficial da pea,
extremamente relevante para a qualidade do produto final no processo de acabamento, sendo
bastante influenciada pelo desgaste da ferramenta. O primeiro tipo utiliza os sensores ultra-snicos,
que podem ser muitas vezes acoplados a pea, ou sensores de toque. J o segundo tipo emprega
sensores pticos, os quais podem ser ainda subdivididos em dois outros tipos: disperso luminosa
ou feixe de laser (ver Fig. 2.3).

Fig. 2.3: Mtodos pticos de Medio da Qualidade Superficial da Pea [5].
Neste trabalho apresentar-se- uma viso geral dos mtodos existentes para o monitora-
mento do desgaste de ferramentas. Este um tema de forte pesquisa nos ltimos anos e, por isso,
pretende-se aqui descrever algumas das tcnicas mais populares.
2.2 MONITORAMENTO BASEADO NAS FORAS DE USINAGEM
Os mais importantes sistemas de sensores empregam a medio indireta e contnua da fora
de corte ou uma varivel derivada de suas componentes (torque, potncia de acionamento,
18

_________________________________________________________________________________________
deslocamento da ferramenta etc.) para representar a caracterstica principal do processo de
usinagem. Todos os sistemas de monitoramento baseados neste princpio utilizam o fato de que o
desgaste da ferramenta causa um aumento nas componentes da fora de corte. No caso do
torneamento e fresamento, o crescimento desta fora substancialmente menor na fora primria
de corte (ou torque) do que nas componentes ortogonais desta, fora de avano e passiva. No caso
da furao, o crescimento da fora de corte devido ao desgaste da ferramenta muito pequeno e,
em alguns casos, no pode ser observada. Entretanto, a fora de avano aumenta
significativamente.
Essencialmente, a quebra da ferramenta manifesta-se na forma de uma descontinuidade ou
mudana brusca em uma ou mais componentes da fora de corte. Essas caractersticas tpicas de
mudana repentina da fora de corte dependem do processo de usinagem, do material da pea e da
ferramenta, das condies de corte e das caractersticas de quebra do material da pea. Como a
quebra da ferramenta causa picos no sinal acstico emitido, este fenmeno pode tambm ser
detectado atravs de sensores acsticos.
2.2.1 DINAMMETROS PARA MEDIO DIRETA
Dinammetros [5] comerciais oferecem a mais precisa medio das foras de corte. Eles
consistem de quatro componentes, onde cada um possui 3 transdutores de fora, encaixados entre
duas placas submetidas a uma pr-carga (presso mnima). Estes transdutores so extremamente
resistentes e possuem uma grande escala de medio. Por eles serem baseados no efeito piezel-
trico, muito difcil o seu emprego para medir foras estticas. Piezeltricos transdutores so
instalados entre os mancais (cross slide) e a torre da ferramenta (tool turret), permitindo a tima
determinao das componentes da fora de corte no ponto de vista metrolgico. A desvantagem
est no alto custo e no fato que estes sensores no esto protegidos contra uma carga muito alta,
como a gerada no caso de um choque. Sistemas similares foram desenvolvidos incorporando exten-
smetros (strain gauge) permitindo somente a medio da fora primria de corte.
2.2.2 DISCOS E ANIS
Discos de medio de foras [5] consistem de dois finos discos intermedirios nos quais
elementos medidores de fora piezeltricos so embarcados (ver Fig. 2.4). Os elementos de
medio so sujeitados a somente uma parte da fora total aplicada e, por isso, esto protegidos
contra altas cargas. Discos de medio de foras montados com extensmetros so uma alternativa,
mas apresentam uma rigidez menor que os sensores normais. Estes mecanismos so empregados
para a medio das componentes da fora.
19

_________________________________________________________________________________________

Fig. 2.4 : Sensor de Fora Piezeltrico com Quartzo [5, 37, 52].
2.2.3 SENSORES DE DEFORMAO (PINOS)
Estes tipos de sensores [5] detectam a fora de corte indiretamente, atravs da deformao
que ocorre nos elementos que movimentam a mquina. Por causa da inevitvel presena de
interferncia e do fato que estes sensores possuem geralmente um baixo grau de sensibilidade, eles
so normalmente empregados para a identificao da quebra da ferramenta durante a usinagem de
desbaste.
2.2.4 MEDIO DE DESLOCAMENTO
Sistemas de medio para detectar movimentos lineares e angulares de ferramentas [5] vm
sendo, por um longo tempo, conhecidos e implementados com sensores de deslocamento sem
contato, muitas vezes instalados na prpria ferramenta. Na teoria, este mtodo de medio direta do
deslocamento do ponto de usinagem representa uma boa alternativa para o monitoramento da
usinagem, porm o risco de perturbaes (erros) devido a cavacos, fluido de corte e sujeira; muito
grande fazendo com que estes sensores sejam aplicados somente a casos isolados. A troca
automtica de ferramenta impe dificuldades penosas ao mtodo. A medio do deslocamento da
torre da ferramenta precisa ser aperfeioada e s empregada para evitar colises. Alm disso, ela
incapaz de medir as componentes das foras individualmente sem interferncias.
2.2.5 ROLAMENTOS PARA MEDIO DE FORAS (BEARINGS)
Estes sensores [5] so suportes com forma de um fuso de rolamento com contato especial-
mente preparado para medies de fora, onde extensmetros so incorporados dentro das cavida-
des circulares. Escovas de medio de fora so componentes adicionais. A medio realizada a
partir de extensmetros instalados no interior das cavidades das escovas em certos pontos que
foram enfraquecidos para aumentar a sensibilidade. Rolamentos para a medio de foras sofrem
interferncias na medio e requerem um filtro passa-baixa para eliminar a freqncia de contato
20

_________________________________________________________________________________________
das esferas, no permitindo, por conseqncia, a medio de sinais de alta freqncia. Estes
sensores diminuem a rigidez do fuso e, por isso, so aceitos somente em alguns casos.
2.2.6 FORA E TORQUE NO FUSO E NO SUPORTE DA FERRAMENTA
Para medir as foras [5] o mais prximo possvel do ponto de usinagem, interessante
poder acoplar sensores diretamente no fuso da mquina ou no suporte da ferramenta. Entretanto,
um sistema muito complexo necessrio a fim de medir o torque com a resoluo requerida
considerando-se a escala na qual o torque de uma mquina pode variar. Alm disso, o sinal de
medio precisa ser transmitido de um fuso rotativo por meio de um sistema sem fio (wireless).
O primeiro mtodo utiliza extensmentros empregados no fuso para medir as foras de
corte durante o processo de fabricao. O segundo mtodo um sensor de torque que consiste de
dois transdutores de fora piezoeltricos. Entretanto, muitas mquinas no permitem a instalao
destes sensores por falta de espao fsico.
Enquanto que os sensores de fora e torque no fuso ainda esto em desenvolvimento, j
existe no mercado uma gama de sensores de torque integrados ao suporte da ferramenta. A Fig. 2.5
apresenta um exemplo deste sistema baseado no uso de extensmetros para a medio de torque e
foras radias e axiais. Entretanto, este sistema requer que o sensor seja instalado e configurado para
cada ferramenta, aumentando muito o seu custo e o tempo de setup
3
. Outras alternativas baseadas
na modificao de permeabilidade de materiais ferromagnticos por tenso mecnica esto ainda
em desenvolvimento.

Fig. 2.5: Sensor de Torque e Fora para o Suporte da Ferramenta [37].

3
Tempo de setup tempo necessrio para preparar uma mquina-ferramenta para usinar um lote de produtos.
21

_________________________________________________________________________________________
2.3 MONITORAMENTO BASEADO NAS MEDIES DA CORRENTE DO MOTOR
E DA POTNCIA EFETIVA
Sensores para a medio da corrente e da potncia efetiva [5] dos acionamentos ou do fuso
principal representam a mais simples alternativa do ponto de vista tcnico e podem ser tambm
facilmente modernizados. Dependendo do tipo do motor, existe uma grande variedade de opes
para o uso apropriado dos sensores disponveis.
Entretanto, esta estratgia possui algumas desvantagens. No caso das medies das
potncias ou correntes dos acionamentos, o sinal de medio possui um componente devido ao
atrito nas guias. Este componente do sinal bem maior que as componentes relevantes para o
monitoramento do processo, que flutuam fortemente de acordo com as condies de usinagem e
lubrificao. Por isso, as componentes relevantes so difceis de serem tratadas. Devido inrcia
das massas, o sinal de sada possui a caracterstica de um filtro passa-baixa. Por esta razo, a
quebra da ferramenta no detectada diretamente, mas somente depois, como conseqncia do
estrago causado, por causa da caracterstica de integrao dos parmetros de medio.
Uma medio da potncia no fuso principal freqentemente falha para produzir melhores
resultados quando o processo de usinagem consome somente uma parte da potncia medida. Alm
disso, a potncia no fuso proporcional fora resultante na direo do movimento primrio. Isto
implica em um difcil monitoramento do desgaste. Entretanto, este mecanismo pode ser empregado
para detectar colises, quebra de ferramenta e desgaste, se ajustado adequadamente.
2.4 MONITORAMENTO BASEADO NA EMISSO ACSTICA
O processo de usinagem produz ondas de tenso elsticas, as quais propagam-se atravs da
estrutura da mquina. Estas ondas de tenso conhecidas como emisses acsticas (EA) [4, 5]
so geradas por diferentes fontes. Fontes significantes de EA na usinagem de metais so: o atrito
na face e no flanco, deformao plstica na regio de corte, formao de trincas e a sua propagao,
impactos dos cavacos na pea e quebra de cavacos. Como a EA gerada por formao de trincas,
sinais de alta amplitude ocorrem devido quebra da pea. Isto faz com que a EA seja muito
empregada para deteco de quebra da ferramenta. Embora existam muitos sensores acsticos
disponveis, somente poucos podem ser usados em mquinas-ferramentas, pois estariam imersos
em um ambiente onde ocorrem perturbaes agressivas. Muitos dos transdutores foram criados
para inspees no-destrutivas ou trabalhos cientficos, significando que eles no suportam altas
temperaturas, largos volumes de fluidos de corte e desgaste abrasivo atravs dos cavacos.
22

_________________________________________________________________________________________
Nos ltimos anos, sensores acsticos desenvolvidos especialmente para o monitoramento
da usinagem foram fornecidos para o mercado evitando a maior parte das desvantagens apresen-
tadas anteriormente. Muito dos sensores devem ser instalados na superfcie da mquina-ferramenta,
mas uma nova concepo baseada no uso de um fluxo de refrigerao para transmitir as ondas
acsticas da pea ou da ferramenta para o sensor. A maior vantagem deste sistema a proximidade
do sensor da rea de corte, diminuindo assim os efeitos de damping. Problemas ocorrem devido
interferncia dos cavacos no fluxo de refrigerao, interrompendo o monitoramento. Outra
tcnica recente baseada na transmisso indutiva, sem contato de sinais, do sensor acstico para o
receptor. O sensor pode, por exemplo, ser instalado no fuso principal, permitindo uma medio
prxima do processo. Este sistema tem apresentado bons resultados quando utilizado para o
monitoramento e controle de processos de retificao. Um mtodo alternativo de transmisso de
sinais na furao ou fresamento atravs de outro fluido ou do fluido de corte.
O maior campo de aplicao dos sensores acsticos est na deteco de quebra de
ferramenta. O sensores acsticos so empregados no sensoreamento da usinagem de ultrapreciso
[13], principalmente em processos como o torneamento com diamante, na retificao e lapidao
de preciso, ou no polimento qumico mecnico (PQM). A emisso acstica capaz de garantir a
sensibilidade do sensor consistente com a magnitude do fenmeno de usinagem de ultrapreciso,
principalmente, para os parmetros do processo de remoo de material, como taxas de remoo de
material (inclusive com taxas muito baixas em comparao com os processos convencionais) e
espessuras muito pequenas de cavaco no cortados. Se for acrescentada a sensibilidade da EA aos
danos superficiais ou transies dctil/frgil no processamento de materiais de difcil usinagem,
pode-se ver o potencial desta tecnologia de sensoreamento na manufatura de preciso.
2.5 MONITORAMENTO BASEADO NA VIBRAO

Fig. 2.6: Exemplo de um Sensor de Vibrao [52].
A usinagem com ferramenta desgastada causa um aumento da flutuao das foras sob a
ferramenta de corte. Isto atribudo ao atrito entre a face do flanco da ferramenta e a pea de
trabalho; e s foras internas de fraturas (trincas) da ferramenta. Devido flutuao destas foras,
vibraes ocorrem no sistema. Desta forma, pode-se medir o desgaste da ferramenta a partir do
23

_________________________________________________________________________________________
monitoramento das vibraes do sistema [43]. O mecanismo de medio consiste em um
acelermetro piezeltrico instalado na superfcie superior da ferramenta de corte, to prximo
quanto possvel do gume de corte. A sada do sensor comparada com uma referncia; se o sinal
ultrapassar repetidamente o sinal de referncia, significa que ocorreu um desgaste na ferramenta.
Se o sensor instalado prximo da regio de corte, a variabilidade do sinal aumenta com a
progresso do processo de usinagem. A amplitude do sinal decresce com o aumento da distncia
entre o sensor e o gume de corte.
2.6 MTODOS DIRETOS DE MEDIO DO DESGASTE
2.6.1 SENSORES DE PROXIMIDADE
Sensores de proximidade [43] calculam o desgaste da ferramenta atravs da medio da
modificao da distncia entre o gume da ferramenta e a pea de trabalho. A distncia pode ser
medida atravs de micrmetros eltricos ou provas pneumticas de toque. O mecanismo afetado
devido expanso trmica da ferramenta, desvio ou vibrao da pea e desvio da ferramenta de
corte devido s foras de usinagem.
2.6.2 SENSORES RADIOATIVOS
Sensores Radioativos [43] so empregados para a medio direta do desgaste da
ferramenta. Uma pequena poro de material radiativo implantada na face do flanco da
ferramenta de corte. Durante o processo de usinagem, o material gasto transferido para os
cavacos. Monitorando a quantidade de material radioativo depositado nos cavacos, pode-se medir o
desgaste da ferramenta. A necessidade de coleta on-line (em tempo real) dos cavacos e a natureza
contagiosa dos materiais radioativos limitam o uso desta tcnica para ambientes de laboratrio.
2.7 TCNICAS AVANADAS DE MONITORAMENTO
Novos sistemas de monitoramento vm sendo desenvolvidos para ampliar a robustez e a
performance dos complexos centros de usinagem. Existe uma grande dificuldade para se medir
algumas grandezas como, por exemplo, o desgaste da ferramenta empregando-se somente um
sensor para uma gama de diferentes aplicaes industriais. Desta forma, muitas vezes necessrio
combinar sensores para obter a melhor performance [10]. Muitas variveis no podem ser medidas
diretamente, sendo necessrio o emprego de diferentes sensores para se obter vrias grandezas e,
atravs destas, calcular a grandeza em questo.
O sensor mais utilizado o sensor acstico, muitas vezes combinado com sensores de fora
[10] (ver Fig. 2.7) para o monitoramento do desgaste da ferramenta. A sensibilidade da emisso
24

_________________________________________________________________________________________
acstica causada pelo desgaste ou trincamento da pea acoplado com as altas taxas de resposta
deste sensor implica na grande utilizao deste sensor. Entretanto, deve-se acoplar este sensor com
outros sensores, para diminuir a dependncia do sinal acstico com vrios parmetros do processo
e, assim, poder distinguir os diferentes fenmenos retratados pelo sinal acstico. Desta forma, este
sensor apresenta-se como um bom exemplo de um sistema que requer um cuidadoso sistema de
tratamento do sinal, de processamento das informaes e de integrao com outros sensores para
operar adequadamente.

Fig. 2.7 : Sensor para a Medio das Foras de Corte e Emisso Acstica [10].
2.7.1 SENSORES INTELIGENTES
Geralmente, sensores inteligentes [5, 14, 15, 37, 54] tm uma funcionalidade muito maior
que os sensores convencionais devido ao fato destes terem que atender requisitos especiais para
medir grandezas complexas do monitoramento da usinagem. Sensores inteligentes so
caracterizados pela capacidade de tomarem decises. Sistemas inteligentes podem usar a
experincia e o conhecimento acumulados com o aprendizado durante as operaes passadas, para
obter melhores resultados. Sensores inteligentes devem ser capazes de realizar pelo menos uma das
seguintes atividades:
Calibrao automtica: realizar sozinho a sua calibrao;
Processamento do sinal: o sensor deve ser capaz de extrair a caracterstica da
grandeza do sinal de medio de forma a fornecer o valor final da grandeza;
Tomada de decises: o sistema do sensor deve ser capaz de tomar decises para
realizar aes que lhe permitam cumprir adequadamente a tarefa sem ter que recorrer
ao comando principal da mquina, ou seja, com uma certa independncia;
Fuso com outros sensores: ser capaz de combinar ou adicionar o sinal de medio de
outros sensores a fim de obter um resultado mais robusto;
Capacidade de aprendizado: ser capaz de aprender com operaes passadas, usando
Redes Neurais ou outras formas de representao do conhecimento, a fim de aumentar
continuamente a sua performance e robustez.
25

_________________________________________________________________________________________
Um sensor inteligente , desta forma, mais ou menos a combinao de sensores
convencionais, processamento de sinais e mtodo de extrao de caractersticas; bem como,
algoritmos de aprendizado e mtodos de representao do conhecimento, integrados em um sensor
ou em um sistema mais complexo.
A inteligncia destes sistemas implementada atravs de microprocessadores aliado, em
alguns casos, com tcnicas de Redes Neurais, Lgica Fuzzy, Algoritmos Genticos, Sistemas
Especialistas e rvores de Decises.
2.7.2 SISTEMAS DE VISO
Sensores de viso so aplicados na medio direta do desgaste [43, 51] utilizando-se
imagens da ferramenta. Em geral, estes sensores dependem das propriedades de alta reflexo da
regio de desgaste, quando comparada com a regio no desgastada, para extrair os parmetros
morfolgicos que caracterizam o desgaste da ferramenta. A maioria das pesquisas concentra-se
somente na medio do desgaste de flanco, mas alguns trabalhos preocupam-se, tambm, com o
desgaste de cratera.
O desgaste de flanco pode ser digitalizado atravs de cmeras CCD, enquanto que o
desgaste de cratera requer a projeo de um feixe luminoso sob a ferramenta, a fim de extrair a
informao de profundidade da cratera. Pode-se empregar a tcnica de Franjas de Moir [35] para
determinar a topologia e profundidade da cratera formada. Esta tcnica emite um feixe de raios de
laser paralelos sob a face da ferramenta e calcula o desgaste de cratera a partir da distoro dos
raios refletidos pela pea, uma vez que profundidades diferentes causam distores diferenciadas.
Devido hostilidade do ambiente de corte (presena de fluido de corte, gume postio e deposio
de material sob a ferramenta), os sistemas atuais de viso somente so aplicados quando a
ferramenta est parada, ou seja, nos intervalos entre usinagens.
2.7.3 REDES NEURAIS ARTIFICIAIS
Considerando-se as tcnicas utilizadas no monitoramento inteligente dos processos de
fabricao, destaca-se a tcnica de Redes Neurais Artificiais [18, 36] devido a sua capacidade de
interpolao, aprender por exemplos, robustez, confiabilidade e exatido.
As Redes Neurais so aplicadas ao monitoramento [5, 43, 54, 77] atravs de vrios
sensores com o intuito de realizar medies complexas e robustas a partir do valor de variveis
distintas. Redes Neurais possuem um papel importante fornecendo inteligncia para sistemas de
sensoreamento, permitindo que estes sensores executem tarefas mais complexas. Por exemplo,
pode-se empregar Redes Neurais para detectar a quebra da ferramenta ou o seu desgaste a partir da
anlise das foras de corte. Esta pode atuar, tambm, na tomada de decises e na calibrao
automtica de sensores. Uma outra aplicao muito importante a otimizao de processos de
26

_________________________________________________________________________________________
usinagem. Pode-se treinar uma Rede Neural para aprender a otimizar um processo especfico de
usinagem. Esta rede recebe como entrada os sinais dos sensores e define as condies timas de
usinagem, considerando a evoluo do processo de usinagem e o desgaste das ferramentas.
2.7.4 EXEMPLO DE UM SISTEMA DE MONITORAMENTO MULTISENSORIAL
A empresa Montronix [51] desenvolveu um sistema de monitoramento multisensorial (ver
Fig. 2.8), capaz de medir e prever o desgaste e a quebra de ferramentas. A definio dos parmetros
que sero utilizados para predizer o desgaste da ferramenta uma das tarefas mais complexas neste
sistema. Os parmetros mais utilizados so as variveis derivadas dos vetores das foras de corte,
medidas no sistema. As demais informaes como a corrente eltrica de alimentao, o
dinammetro da ferramenta e o acelermetro so utilizados para detectar a quebra da ferramenta. O
sistema de viso utilizado para medir o desgaste de flanco aps o processo de usinagem, servindo
para reajustar o sistema de monitoramento contnuo.
Vale a pena destacar que esta empresa utiliza diversas variveis para monitorar o desgaste
de ferramenta, como o sinal de fora, de temperatura, vibrao e outras informaes. Este sistema
de viso aqui somente um componente do sistema de predio.

Fig. 2.8: Estratgia de Monitoramento do Desgaste de Ferramentas [51].
A seguir apresenta-se uma ilustrao do sistema de viso (ver Fig. 2.9). O sistema de viso
semi-automatizado, pois o operador precisa colocar a pea em baixo do microscpio e ajustar as
27

_________________________________________________________________________________________
propriedades desta at adquirir a imagem que ser processada pelo computador. Na verdade, este
o mtodo mais comum de aplicao de sistema de viso na medio do desgaste de ferramenta.

Fig. 2.9: Sistema de Viso: Microscpio com uma Cmera Acoplada [51].
Este mtodo bastante flexvel, pois o operador pode ajustar as condies do sistema at
conseguir obter uma imagem que otimiza a regio desgastada, efetuando, facilmente, a sua medi-
o. Por outro lado, devido a esta interao com o operador, a tcnica muito susceptvel a falhas
humanas, implicando em uma grande incerteza nos resultados. Este mtodo ainda no permite que
o sistema de monitoramento seja acoplado mquina-ferramentas, inviabilizando a otimizao do
processo de fabricao. A Fig. 2.10 apresenta a imagem obtida por este sistema de viso.

Fig. 2.10: Imagem Obtida pelo Sistema de Viso Apresentado Anteriormente [51].
28

_________________________________________________________________________________________
O sistema desenvolvido no mbito deste trabalho de mestrado servir para o
monitoramento, totalmente automatizado, do desgaste de ferramenta atravs de um sistema de
viso. Este monitoramento ser realizado de forma intermitente (i.e., aps o processo de usinagem)
e servir para avaliar o desgaste e otimizar o uso da ferramenta, em termos de custo e tempo de
produo. Outros sistemas de monitoramento do desgaste sero utilizados pela Clula Autnoma
de Produo [58] para acompanhar, durante o processo de fabricao, a qualidade da pea e o nvel
de desgaste sofrido. Entretanto, estes sistemas no sero apresentados aqui, uma vez que este
projeto vem sendo desenvolvido independentemente dos demais sistemas integrados mquina-
ferramenta. Outra caracterstica importante a capacidade do sistema desenvolvido de classificar o
tipo de desgaste. Isto fornece mquina-ferramenta um maior grau de independncia e preciso na
otimizao do processo produtivo. Para concluir, destaca-se que o sistema aqui apresentado dever
ser totalmente integrado mquina-ferramenta, suportando todas as adversidades e limitaes
impostas por este ambiente (ver item 2.1), diferentemente do sistema disponvel no mercado
apresentado anteriormente.
2.8 ESTRATGIAS DE IMPLEMENTAO
A filosofia de implementao de qualquer sistema para diagnstico ou processo de
monitoramento pode ser dividida em duas estratgias bsicas. Na primeira, utilizam-se os dados
dos sensores para obter as grandezas caractersticas do processo. Determina-se um comportamento
normal para o processo e como este comportamento refletir nas grandezas do processo. Durante
o monitoramento, verifica-se se as grandezas caractersticas do processo esto normais; se no
estiverem, um erro notificado. J na segunda estratgia, tenta-se determinar um modelo que liga a
sada dos sensores aos mecanismos do processo. A partir deste modelo, juntamente com as
informaes dos sensores, realiza-se uma predio do comportamento futuro do processo [52].
Ambos os mtodos so teis dependendo das circunstncias. O primeiro mais simples mas pode
gerar falsas interpretaes se alguma modificao que no foi prevista ocorrer no processo.
O sinal obtido atravs do sensor deve ser processado para determinar situaes de
distrbios. Pode-se verificar um distrbio atravs da determinao de um limite (fixo ou varivel
dinmico) superior e inferior para varivel ou comparando-a com valores apresentados por esta em
outros processos armazenados em bancos de dados.
Estas estratgias sero implementadas pelo mdulo de planejamento e controle de
processos de fabricao da Clula Autnoma de Produo [58]. O sistema desenvolvido no mbito
deste trabalho de mestrado tem por objetivo fornecer informaes sobre o desgaste de flanco
enquanto a ferramenta no est sendo utilizada. O mdulo de planejamento e controle que
29

_________________________________________________________________________________________
utilizar estas informaes para monitorar o processo como um todo e otimiz-lo. O sistema de
medio de desgaste de ferramenta modelado com um sensor inteligente interligado Clula
Autnoma de Produo via rede Ethernet (TCP/IP). A Clula Autnoma de Produo interagem
ento com este sensor atravs do mdulo que controla a rede de sensores e atuadores (SAM) [58].
Concluda esta etapa de apresentao das tecnologias aplicadas ao monitoramento do
desgaste da ferramenta, este documento descreve, na seqncia, a primeira etapa do desenvolvi-
mento de um sistema de viso: o projeto ptico e de iluminao.
30

_________________________________________________________________________________________
3 PROJETO PTICO E DE ILUMINAO
Os sistemas ptico e de iluminao [3, 16, 17, 21, 22, 23, 24, 33, 34, 38, 46, 53, 60, 62, 68]
desempenham um papel muito importante nos Sistemas Industriais de Viso (ver item 1.4.1). Estes
sistemas so formados por fontes de iluminao, prismas, filtros, lentes e outros componentes
pticos que, em grupo, so utilizados para formar uma imagem do objeto ressaltando as
caractersticas que sero analisadas. Estes sistemas so indispensveis na obteno de imagens com
alta definio, homogneas e robustas em relao variabilidade de luz no ambiente. A imagem
formada , ento, adquirida pela cmera, digitalizada e processada pelo computador.
Neste captulo, apresenta-se uma reviso bibliogrfica dos conceitos mais importantes para
o projeto de sistema ptico e de iluminao [3, 16, 23, 34, 46, 62, 68]. Inicialmente, apresentam-se
algumas definies bsicas comumente utilizadas para projetar sistemas de viso. Em seguida,
descrevem-se as tcnicas utilizadas para o projeto ptico, tendo em foco a seleo das lentes e
filtros. Posteriormente, sero apresentadas as tcnicas mais importantes de iluminao, com
exemplos prticos e anlise da sua aplicabilidade. O projeto ptico e de iluminao para esta
aplicao especfica apresentado no captulo 7 que aborda o sistema de viso desenvolvido.
3.1 DEFINIES BSICAS PARA O PROJETO DE SISTEMAS DE VISO
As imagens digitais so obtidas atravs do seguinte princpio bsico [34]:
1. Incialmente, o sistema de iluminao (LEDs, estrobos, lmpadas, luz natural etc.)
produz um tipo de luz que incide sobre a cena, especificamente na superfcie do objeto
e no fundo da cena (background);
2. Esta luz refletida da cena (objeto e fundo) em direo lente da cmera;
3. A lente refrata a luz para o sensor da cmera, que transforma a imagem recebida em
uma imagem eletrnica
4
, onde cada pixel representa a intensidade de luz incidida sobre
uma fotoclula do sensor da cmera.
4. Em seguida, a placa de captura (frame-grabber) digitaliza a imagem, formando uma
matriz numrica, onde cada elemento da matriz recebe um valor compatvel com a
intensidade de luz do pixel correspondente. A Fig. 3.1 apresenta um exemplo de uma
imagem digitalizada segundo um padro de representao da intensidade de luz.
5. Por fim, o sistema processa a imagem com o intuito de extrair as informaes
desejadas. Esta tarefa pode ser simples em alguns casos, porm, geralmente, uma das

4
Defini-se Imagem Eletrnica como uma imagem representada por um sinal eltrico analgico.
31

_________________________________________________________________________________________
tarefas mais complexas do sistema de viso. Diversos algoritmos esto sendo
desenvolvidos para auxiliar a anlise destas imagens (ver captulo 4).

Fig. 3.1 : a) Imagem. b) Escala de Tons de Cinza. c) Imagem Digitalizada.
Nesta seo, definem-se alguns parmetros e terminologias [3, 16, 62] utilizados para o
projeto de sistemas de viso, explicando-se como estes parmetros afetam a qualidade da imagem
obtida. A Fig. 3.2 apresenta alguns destes parmetros, os quais so explicados a seguir:

Fig. 3.2: Parmetros Fundamentais em um Sistema de Viso [16].
3.1.1 CAMPO DE VISO (FOV)
O campo de viso define a rea do objeto (ou da cena) visualizada pela cmera. Esta
afetada pelo tamanho do sensor da cmera, tipo de lente e abertura da lente.
Definio:
FOV: Campo de Viso.
FOV
A
: rea do campo de viso (mm
2
).
FOV
H
: Largura do campo de viso (mm).
FOV
V
: Altura do campo de viso (mm).
32

_________________________________________________________________________________________
3.1.2 TAMANHO DO SENSOR
A Fig. 3.3 apresenta alguns tamanhos tpicos de sensores de cmeras. Normalmente, esses
sensores so especificados somente pela sua dimenso horizontal. Este parmetro importante para
determinar a magnitude primria do sistema (PMAG), necessria para o clculo do campo de viso
(FOV). A maioria das cmeras analgicas mantm uma relao constante entre a largura (H) e a
altura (V) do sensor [62] (4:3 H:V). Vale ressaltar que a rea do sensor nem sempre
equivalente rea ativa do sensor.

Fig. 3.3 Exemplos de Tamanhos de Sensores de Cmeras [16].
Definio:
SS: Tamanho do sensor da cmera (mm
2
).
SS
D
: Comprimento da diagonal do sensor da cmera (mm).
SS
H
: Comprimento da largura do sensor da cmera (mm).
SS
V
: Comprimento da altura do sensor da cmera (mm).
SPixel: Tamanho de um pixel do sensor da cmera(mm
2
).
SPixel
H
: Comprimento da largura de um pixel do sensor da cmera (mm).
SPixel
V
: Comprimento da altura de um pixel do sensor da cmera (mm).
SNum
H
: Nmero de pixels em uma linha do sensor da cmera.
SNum
V
: Nmero de pixels em uma coluna do sensor da cmera.
SNum
Total
: Nmero total de pixels no sensor da cmera.
;
H V Total
SNum SNum SNum

(eq. 3.1)
;
V H
SS SS SS

(eq. 3.2)
;
H
H
H
SNum
SS
SPixel (eq. 3.3)
;
V
V
V
SNum
SS
SPixel (eq. 3.4)
geralmente, a seguinte equivalncia obtida:
;
V H
SPixel SPixel SPixel (eq. 3.5)
33

_________________________________________________________________________________________
3.1.3 TAMANHO DA IMAGEM (IS)
A imagem da cena adquirida pelo sensor da cmera, transmitida para o computador,
digitalizada e, posteriormente, armazenada em uma matriz de pixel (ver Fig. 3.1), no necessa-
riamente nesta ordem. Os algoritmos de processamento de imagens operam esta matriz de dados e,
geralmente, retornam valores referenciados a pixels da imagem. Por exemplo, um algoritmo que
calcula o nvel de envase de uma garrafa de cerveja, ir fornecer esta medida em pixels. Para poder
associar o valor retornado com uma varivel fsica (mundo real) necessrio conhecer a relao do
pixel com a varivel medida, i.e., qual a dimenso real representada por um pixel. O tamanho da
imagem tambm uma referncia importante para se calcular a resoluo do sistema de viso. A
seguir, apresentam-se as equaes que definem estes parmetros.
Definio:
IS: Tamanho da imagem (pixels)
IS
H
: Largura da imagem (pixels).
IS
V
: Altura da imagem (pixels).
IPixelSize: Tamanho real representado por um pixel (mm
2
).
IPixelSize
H
: Largura real representada por um pixel (mm).
IPixelSize
V
: Altura real representada por um pixel (mm).
;
V H
IS IS IS

(eq. 3.6)
;
IS
FOV
IPixelSize (eq. 3.7)
;
H
H
H
IS
FOV
;
V
V
V
IS
FOV
geralmente, a seguinte equivalncia obtida:
;
V H
IPixelSize IPixelSize IPixelSize (eq. 3.10)
3.1.4 DISTNCIA DE TRABALHO (WD)
Distncia de Trabalho distncia medida a partir do incio da lente at o plano do objeto.
Definio:
WD: Distncia de Trabalho (mm).
3.1.5 MAGNITUDE PRIMRIA (PMAG)
Magnitude primria [62] definida como a relao entre o tamanho do sensor e o campo
de viso (FOV). Tipicamente, diz-se que PMAG o resultado que as lentes produzem nos sistemas
34

_________________________________________________________________________________________
de viso, aumentando ou diminuindo o campo de viso para uma cmera com um determinado
tamanho do sensor.
;
H
H
FOV
SS
PMAG (eq. 3.11)
onde
PMAG: magnitude primria.
3.1.6 MAGNITUDE DA IMAGEM DIGITAL (MID)
Magnitude da Imagem Digital definida como a relao entre o tamanho da imagem (em
pixels) e do campo de viso (FOV). Esta relao indica a rea do campo de viso representada pela
imagem digitalizada.
;
H
H
FOV
IS
MID (eq. 3.12)
onde
MID: magnitude da imagem digital.
3.1.7 MAGNITUDE DO SISTEMA (SMAG)
A magnitude do sistema (SMAG) [62] definida como a relao entre o tamanho da rea
do monitor e o campo de viso (FOV), ou seja, a magnitude total do objeto para a imagem no
monitor. Esta magnitude o resultado da magnitude primria (PMAG) operando em conjunto com
a magnitude entre a cmera e o monitor (razo entre o tamanho do monitor com o tamanho do
sensor da cmera).
;
D
D
SS
Mon
PMAG SMAG (eq. 3.13)
onde
Mon
D
: comprimento da diagonal do monitor (mm).
PMAG: magnitude primria.
SMAG: magnitude do sistema.
Esta magnitude utilizada para calcular a resoluo que a imagem de um objeto possui
quando projetada em um dado monitor ou projetor.
3.1.8 CONTRASTE (CT)
Contraste [62] a comparao entre os nveis de intensidade de luz que definem um objeto
e o fundo da imagem, i.e., a capacidade de ressaltar um objeto na imagem (ver Fig. 3.4).
Definio:
CT: Contraste (em %).
35

_________________________________________________________________________________________
I: Intensidade luminosa em um determinado pixel.
I
max
: Intensidade luminosa mxima presente na imagem.
I
min
: Intensidade luminosa mnima presente na imagem.
; 100
min max
min max
I I
I I
CT (eq. 3.14)

Fig. 3.4: Ilustrao do Contraste em uma Imagem em Tons de Cinza [16].
3.1.9 RESOLUO
Resoluo [62] a medio da capacidade do sistema em reproduzir detalhes dos objetos.
A Fig. 3.5 ilustra um exemplo com dois quadrados vermelhos em uma cmera CCD. A fim de
distinguir os dois objetos, faz-se necessria uma distncia mnima entre eles, seno estes sero
considerados como parte de um mesmo objeto. Essa distncia mnima corresponde ao tamanho real
que um pixel representa no sistema ptico em questo (IPixelSize). A resoluo pode ser mensu-
rada das seguintes maneiras:
Pares de Linhas por Milmetro (lp/mm): Na Fig. 3.5, um par de linhas representa um
quadrado vermelho e um quadrado branco. A resoluo pode ser definida como o
nmero de pares de linhas por milmetro (lp/mm); sendo esta a razo pela qual, muitas
vezes, a resoluo referenciada como uma freqncia. O inverso desta freqncia o
espao mnimo entre dois objetos para que estes possam ser diferenciados em
milmetros. Esta especificao pode ser utilizada para as cmeras e para as lentes.
Contagem de Pixels: A resoluo de cmeras digitais tambm pode ser especificada
em termos de contagem de pixels, i.e., atravs do nmero de pixels presentes na
imagem. Na Fig. 3.5, um par de linhas corresponde a 2 pixels. Para dois objetos
poderem ser distinguidos, precisa-se de dois pixels para os objetos (pixels vermelhos) e
36

_________________________________________________________________________________________
pelo menos um pixel entre estes (pixel branco). Assim, sabendo o nmero de pixels por
linha e por coluna da imagem, obtm-se, por conseqncia, a resoluo da cmera.
Definio:
Lp: Par de linha (2 pixels).
CamLpR: Resoluo da cmera em pares de linha (lp/mm).
CamR: Resoluo da cmera (m).
ObjLpR: Resoluo do objeto em pares de linha (lp/mm).
ObjR: Resoluo do objeto (m).
ObjRDig: Resoluo do objeto digitalizado (m).
;
2
H
H
SS
SNum
CamLpR
(eq. 3.15)
; 1000 2
H
SPixel CamR (eq. 3.16)
; CamLpR PMAG ObjLpR

(eq. 3.17)
;
PMAG
CamR
ObjR (eq. 3.18)
;
1000 1 2
MID
ObjRDig

(eq. 3.19)

Fig. 3.5: Exemplo onde o Primeiro Par de Objetos no Distinguvel (a) e o Outro (b) [16].
A resoluo da cmera indica o tamanho mnimo (em m) no seu sensor, para que um
objeto possa ser distinguido. A resoluo do objeto indica o tamanho mnimo (em m), no plano do
objeto, que um objeto deve possuir para ser distinguido pela cmera, aps a projeo da sua
37

_________________________________________________________________________________________
imagem sobre o sensor da cmera. Entretanto, aps a imagem do objeto ter sido capturada pela
cmera, esta ainda passa por um processo de digitalizao que pode alterar a sua resoluo. Por esta
razo, define-se a Resoluo do Objeto Digitalizado como sendo o tamanho mnimo que um objeto
deve possuir para que, aps a imagem ter sido adquirida e digitalizada, este possa ser
compreendido pelo sistema de viso.
3.1.10 ABERTURA DE LENTES (F/#)
Abertura da lente [62] define a quantidade de luz que incide sobre o sensor da cmera.
medida que se fecha a abertura da lente, aumenta-se f/# (veja Fig. 3.6). Fechando-se a abertura da
cmera, pode-se tambm ampliar a profundidade de campo. No entanto, a iluminao deve ser
ampliada para compensar a reduo de luz que incidir sobre a cmera.
Definio:
F/#: Abertura da lente.

Fig. 3.6: Influncia da Abertura da Lente (f/#) na Profundidade de Campo (DOF) [16].
3.1.11 C/CS-MOUNT
Estes so os dois tipos de encaixes mecnicos para lentes disponveis no mercado. Todas as
cmeras devem permitir que a lente seja fixada na frente do sensor utilizando um dos dois tipos de
encaixe (C-Mount ou CS-Mount [62]). A distncia do foco secundrio (back focal) at o sensor
17,52 mm para o tipo C-Mount e 12,52 mm para o tipo CS-Mount. Pode-se converter um tipo para
o outro atravs do uso de espaadores.
3.1.12 PROFUNDIDADE DE CAMPO (DOF)
Profundidade de Campo (DOF) [62] a mxima profundidade que um objeto pode possuir
sem perda de foco. DOF definida tambm como a distncia mxima que um objeto pode se
38

_________________________________________________________________________________________
mover sem que haja perda de foco. Quando um objeto colocado fora da distncia de trabalho
(muito perto ou muito longe) este fica fora de foco, prejudicando, conseqentemente, tanto a
resoluo quanto o contraste da cmera. Por esta razo, DOF somente faz sentido se definido para
uma dada resoluo e contraste. Em geral, DOF pode ser ampliado diminuindo-se a abertura das
lentes (i.e, ampliando-se f/#), entretanto a iluminao deve ser proporcionalmente ampliada. A Fig.
3.6 mostra a relao entre a profundidade de campo e a abertura da lente. Uma equao para
estimar o valor da profundidade de campo fornecida em [34]. A Fig. 3.7 mostra uma escala
numrica usada para medir a profundidade de campo para uma determinada lente.
Definio:
DOF: Profundidade de Campo.

Fig. 3.7: Medio da Profundidade de Campo (Foco) [16].
3.1.13 SENSIBILIDADE DO SENSOR DA CMERA
A seguir, apresenta-se uma curva de resposta de freqncia tpica em fotoclulas de
cmeras CCD, demonstrando os espectros de freqncia de luz para os quais a cmera sensvel.
Todas as cmeras em tons de cinza possuem uma curva de resposta espectral similar (com exceo
das verses sem infravermelho IR). As cmeras coloridas tipicamente possuem um filtro que
bloqueia luzes com comprimento de onda acima de 700 nm.
39

_________________________________________________________________________________________

Fig. 3.8: Curva de Resposta Tpica de um Sensor CCD [16].
3.1.14 FORMATO DE SINAIS DE VDEO
O sinal utilizado pela cmera para transmitir a imagem para outros dispositivos
(computador, monitor etc.) denominado de sinal de vdeo. Este pode ser subdivido de acordo com
a sua caracterstica eltrica em sinais analgicos e digitais. Os sinais analgicos possuem a
vantagem de serem compatveis com a maioria dos equipamentos. Os sinais digitais possuem, por
sua vez, a vantagem da robustez em relao a rudos magnticos, maior resoluo dos dados
(imagens melhores podem ser transmitidas), maiores taxas de transmisso, capacidade de transmitir
outras informaes (sinais de sensores, microfone etc.) e maior flexibilidade. A seguir, apresentam-
se os principais tipos de sinais de vdeo:
Sinais Analgicos:
o Composto (NTSC, EIA): os sinais NTSC (RS-170A/Colorido) e EIA (RS-
170A/Monocromtico) so os mais comuns e comportam, hoje, a maioria das
aplicaes;
o Y-C (S-Video): o sinal Y-C separa a imagem em suas componentes bsicas e,
desta forma, fornece uma qualidade superior para aplicaes coloridas;
o RGB: o sinal RGB tambm separa a imagem em suas componentes bsicas,
possuindo caractersticas similares ao sinal Y-C, porm com uma resoluo
maior;
Sinais Digitais:
o RS-422: padro de sinal digital diferencial que permite altas taxas de
transmisso. Comumente utilizado para transmisses digitais;
o Paralelo: a porta paralela foi utilizada inicialmente para a transmisso digital.
Entretanto, a sua baixa robustez e taxa de transmisso limitam o uso desta
tecnologia;
40

_________________________________________________________________________________________
o USB: USB um padro de sinal digital serial com alto desempenho
desenvolvido recentemente que pode atingir taxas de at 480 Mbits/s, sendo
utilizado nas cmeras modernas;
o IEEE 1394 (Firewire): este outro padro de sinal digital serial atualmente
muito utilizado;
o Camera-Link: este um padro de sinal digital desenvolvido por um grupo de
fabricantes de cmeras e placas de aquisio, possuindo como vantagem
principal, a flexibilidade na transmisso.
Cada tipo de sinal utiliza um tipo especfico de conector. A Fig. 3.9 apresenta os conectores
comumente utilizados para sinais analgicos.

Fig. 3.9: Conectores Comumente Utilizados em Sinais Analgicos [16].
3.1.15 CONTROLE AUTOMTICO DO GANHO (AGC)
Esta uma opo eletrnica que compensa, automaticamente, casos de nveis de luz com
baixa intensidade. O Controle Manual do Ganho uma opo similar desta e que usada para
adaptar a cmera a mudanas no ambiente, manualmente.
3.1.16 SHUTTER ELETRNICO
Esta uma funo eletrnica que controla a quantidade de luz no sistema para prevenir a
exposio demasiada dos sensores, formando defeitos na imagem (blooming). O Shutter funciona
em passos incrementais. Para cada incremento do Shutter, a iluminao incidente diminuda em
50%. O Shutter diminui o tempo de exposio em oito passos, de 1/60 segundos at 1/10.000
segundos.
3.1.17 CMERAS MONOCROMTICAS OU COLORIDAS
Quando uma cmera escolhida para uma aplicao industrial, muitos integradores,
instintivamente, selecionam uma cmera colorida porque eles acreditam que as cmeras em tons de
cinza possuem qualidade inferior. O que est, entretanto, incorreto. Cmeras monocromticas
possuem uma resoluo superior, so menos susceptveis a rudos eletromagnticos, possuem uma
maior sensibilidade luz, e maiores contrastes que as cmeras coloridas na mesma faixa de preo.
Embora as imagens coloridas sejam preferidas, os olhos humanos podem perceber diferenas
41

_________________________________________________________________________________________
espaciais de forma mais clara em imagens em tons de cinza, enquanto que as imagens coloridas
requerem maior tempo de processamento e no necessariamente possuem mais informaes sobre o
objeto.
Quando uma imagem colorida de alta resoluo necessria, melhor utilizar cmeras
coloridas com 3 chips (tambm denominadas Cmeras 3-CCD ou RBG [16]). Atravs da utilizao
de 3 sensores CCD, estas cmeras oferecem uma soluo melhor dos que as cmeras coloridas de 1
chip em todos as caractersticas (exceto preo): possuindo uma alta resoluo espacial e resposta
dinmica. A imagem direcionada para cada sensor utilizando-se prismas e, ento, filtrada para
separar as cores bsicas: azul, verde e vermelho.
3.2 O SISTEMA PTICO
Nesta seo, os princpios pticos [3, 16, 34, 46, 48, 62, 69] importantes para sistemas de
viso sero apresentados. O sistema ptico formado por prismas, lentes e espelhos, que orientam
a luz refletida (ou refratada) pelo objeto at o sensor da cmera, empregando, em alguns casos,
filtros para separar a freqncia luminosa incidente no sensor.
3.2.1 PARMETROS PTICOS FUNDAMENTAIS
A Fig. 3.10 e a Fig. 3.11 apresentam alguns parmetros fundamentais de um sistema ptico
[23, 46]. A Fig. 3.10 apresenta, tambm, os procedimentos para desenhar os feixes luminosos
bsicos que determinam o comportamento de uma lente.

Fig. 3.10: Parmetros pticos Bsicos
Os parmetros fundamentais so definidos na tabela a seguir (ver Tab. 3.1):
Tab. 3.1: Parmetros Fundamentais de um Sistema ptico.
Parmetro Descrio
H
I
Altura da imagem em relao ao eixo ptico.
H
O
Altura do objeto em relao ao eixo ptico.
D
I
Distncia da imagem ao centro da lente.
D
O
Distncia do objeto ao centro da lente.
42

_________________________________________________________________________________________
F
I
Distncia focal referente lente mais prxima da imagem.
F
O
Distncia focal referente lente mais prxima do objeto.
F Distncia focal resultante, i.e., do sistema como um todo.
M Magnitude
I
ngulo de abertura do cone de luz incidente na imagem.
O
ngulo de abertura do cone de luz emitido pelo objeto.
I
ngulo entre o eixo ptico e o raio que passa pelo F
I
e atinge o topo da imagem.
o ngulo entre o eixo ptico e o raio que passa pelo F
O
e atinge o topo do objeto.
N ndice de refrao da lente.
R Raio de curvatura da lente.
T Espessura da lente.

Fig. 3.11: Exemplo Prtico de um Sistema ptico.
O comportamento dos feixes luminosos em um sistema ptico pode ser descrito a partir da
Equao de Halley [23, 46]:
( ) ;
) 1 ( 1 1
1
1
1
]
1
+
O I O I
R R N
N
T
R R
N
F
(eq. 3.20)
Quando uma lente possui uma espessura pequena, comparada distncia do objeto, da
imagem ou dos raios de curvatura, diz-se que a lente delgada. Para tais lentes, considera-se:
; 0 T (eq. 3.21)
Aplicando-se esta suposio na eq. 3.20, obtm-se a seguinte equao para lentes delgadas:
( ) ;
1 1
1
1
1
]
1

O I
R R
N
F
(eq. 3.22)
A seguir, apresenta-se outra frmula bsica (Lei de Gauss, [23, 46]) para lentes delgadas
que relaciona o foco com a distncia da imagem e do objeto:
;
1 1 1
O I
D D F
+ ou ;
O I
O I
D D
D D
F
+
(eq. 3.23)
A equao da ampliao da lente est definida a seguir [23, 46]:
;
O
I
O
I
D
D
H
H
M ou ;
F D
F
M
O
(eq. 3.24)
Note-se que a magnitude (M) ser negativa no caso de uma imagem invertida. Se o
resultado da equao positivo, ento a orientao da imagem ser a mesma que a do objeto.
43

_________________________________________________________________________________________
Duas lentes, com respectivos focos F
1
e F
2
e distncia entre elas D, podem ser combinadas
formando uma lente com foco F
total
, a partir da seguinte equao:
;
) (
2 1
2 1
D F F
F F
F
total
+
(eq. 3.25)
A ampliao de um sistema formado por duas lentes, ser o produto da ampliao
fornecida por cada uma das lentes:
;
2 1
M M M
total

(eq. 3.26)
Lentes planas possuem a seguinte caracterstica:
; 2 R F

(eq. 3.27)
Lentes do tipo DCX [23, 46], por sua vez, apresentam a seguinte caracterstica:
;
2 1
R R F

(eq. 3.28)
Normalmente, o ndice de refrao utilizado em lentes comerciais igual a 1,5, entretanto
este valor deve ser verificado na especificao tcnica da lente.
; 5 , 1 n (eq. 3.29)
Analisando as equaes (3.11) e (3.24), conclui-se que [25]:
; PMAG M

(eq. 3.30)
Por esta equao, pode-se formular a seguinte equao para o clculo do campo de viso:
;
H
H
V
V
I
O
SS
FOV
SS
FOV
SS
FOV
D
D
(eq. 3.31)
Agora, combinando esta equao com a equao da lei de Gauss (eq. 3.23), obtm-se a
relao abaixo [25]:
; 1
,
_
+
H
H
O
SS
FOV
F D (eq. 3.32)
Note-se a importncia desta relao. Atravs desta, pode-se calcular o campo de viso a
partir da distncia do objeto (D
O
ou WD) ou vice-versa, sendo que este um dos parmetros mais
importante num sistema de viso.
Quando a distncia de trabalho for muito grande, pode-se realizar a seguinte simplificao:
; 1 >>
H
H
SS
FOV
(eq. 3.33)
;
H
H
O
SS
FOV
F D (eq. 3.34)
44

_________________________________________________________________________________________
Esta equao pode ainda ser rescrita na seguinte forma, relacionando o campo de viso
com o ngulo de viso da cmera (
I
) [25]:
;
2
tan 2
,
_
F
SS
D
FOV
H
O
H
(eq. 3.35)
3.2.2 ERRO DE PERSPECTIVA (PARALAXE)
Este um fenmeno que ocorre em lentes convencionais, causando uma mudana na
magnitude do objeto quando este se afasta do ponto de melhor foco. Objetos mais prximos
parecem ser maiores que objetos afastados. Este problema resolvido com o uso de lentes tele-
cntricas [48] (ver Fig. 3.12).

Fig. 3.12: Ilustrao do Efeito de Paralaxe e da Lente Telecntrica [48].
3.2.3 DISTORO
Distoro um erro ptico (aberrao) na lente que causa uma diferena de magnitude do
objeto em diferentes pontos da imagem. Quanto mais afastado o ponto da imagem, maior ser o
efeito da distoro (ver Fig. 3.13). Este efeito pode comprometer o resultado gerado por um sistema
de viso, principalmente em aplicaes envolvendo metrologia. Duas estratgicas bsicas so
realizadas para minimizar o efeito da distoro. A primeira recomenda que o objeto esteja
posicionado no centro da imagem e que as bordas das extremidades da imagem no sejam
utilizadas. A segunda utiliza um objeto padro (disponvel no mercado [16]) para calibrar a cmera
atravs da equao a seguir:
Definio:
PD
i,j
: Distncia esperada do ponto (i, j).
AD
i,j
: Distncia real do ponto (i, j).
D
i,j
: Percentual da distoro em relao ao ponto (i, j).
45

_________________________________________________________________________________________
; 100
,
, ,
,
j i
j i j i
j i
PD
PD AD
D (eq. 3.36)

Fig. 3.13: Ilustrao do Efeito da Distoro [16].
3.2.4 FILTROS
Os filtros [3, 16] (ver Fig. 3.14) so comumente utilizados para selecionar a freqncia
luminosa (Fig. 3.15) que incide sobre o sensor da cmera. A luz pode ser definida como sendo uma
onda com uma determinada freqncia (Fig. 3.15). A freqncia da onda determina a cor que ela
representa. Se um raio luminoso contiver mais que uma freqncia, a cor resultante ser a soma das
cores bsicas presentes na imagem. Desta forma, a cor branca indica que todas as freqncias
luminosas esto presentes e a cor preta indica a ausncia de qualquer freqncia luminosa. O olho
humano consegue distinguir ondas luminosas dentro do espectro com freqncias de 400 a 750 nm.
As cmeras possuem uma sensibilidade luz diferente do olho humano (ver Fig. 3.8), por isso
pode-se, em alguns casos, capturar informaes da cena com cmeras que no so perceptveis a
olho nu. Existem cmeras especiais desenvolvidas para serem sensibilizadas por determinadas
freqncias, como cmeras sensveis a luzes infravermelhas ou a luzes ultravioletas.

Fig. 3.14: Exemplo de Filtros pticos.
46

_________________________________________________________________________________________

Fig. 3.15: Ilustrao do Espectro Freqencial da Luz.
Quando se deseja impedir que uma determinada luz sensibilize o sensor, ou melhor,
permitir que apenas uma determinada freqncia sensibilize o sensor, emprega-se um filtro
compatvel com a freqncia luminosa. A Fig. 3.16 mostra um exemplo de aplicao. Neste caso,
deseja-se ressaltar os comprimidos azuis dos comprimidos vermelhos. Usando uma cmera
monocromtica, o contraste entre as duas cores mnimo, inviabilizando a aplicao. Entretanto,
adicionando-se um filtro verde obtm-se quase 100% de contraste, viabilizando a aplicao.

Fig. 3.16: Exemplo de uma Aplicao Utilizando o Filtro Verde.
3.2.5 PRISMAS E ESPELHOS
Os prismas so aplicados em sistema de viso para desviar um feixe de luz (ver Fig. 3.17)
ou separar as componentes da luz. Os espelhos tambm podem ser aplicados para desviarem o feixe
47

_________________________________________________________________________________________
de luz com um determinado ngulo. Estes mecanismos so, comumente, empregados em aplicaes
onde se deseja visualizar duas reas distintas de uma cena com uma nica cmera.

Fig. 3.17: Exemplo da Aplicao de Prismas para Desviar Feixes Luminosos.
3.3 TCNICAS DE ILUMINAO
Nesta seo sero apresentadas as tcnicas bsicas de iluminao [16, 55] utilizadas em
sistemas industriais de viso para ressaltar as caractersticas dos objetos e atenuar partes da cena
que no interessam a aplicao.
Alm da iluminao, diversos fatores afetam a quantidade de luz que incide sobre o sensor
da cmera: abertura da lente, magnitude primria, configurao da cmera, tempo de exposio e
filtros. Todos estes parmetros precisam ser ajustados em conjunto e, principalmente, testados in
locus para averiguar se o projeto est de acordo com as especificaes.
Qual a iluminao correta para uma determinada aplicao? O projeto do sistema de
iluminao subdividido em trs etapas principais:
1. determinar a geometria da luz (posio da fonte, direo, intensidade e espectro
freqencial dos feixes de luz) requerida para ressaltar as caractersticas do objeto.
2. determinar o tipo de fonte luminosa (LED, halognia, estrobo etc.) mais adequado.
3. determinar o tamanho do campo de viso.
No caso da medio do desgaste de flanco, como a ferramenta de corte , geralmente,
composta de metal ou cermica, esta possui uma imensa capacidade de refletir a luz, o que dificulta
o projeto do sistema de iluminao. Desta forma, apresentar-se-o aqui as tcnicas mais
importantes de iluminao, visando a sua aplicao para o caso tratado neste trabalho.
3.3.1 DIRECIONAL (UNILATERAL OU BILATERAL)
Este tipo de iluminao [16, 55] bastante simples, consistindo na emisso de um feixe
luminoso (unilateral ou bilateral) em uma direo fixa com pouca disperso. Este feixe reflete
sobre o objeto, ressaltando algumas propriedades especiais. A Fig. 3.18 mostra uma ilustrao e um
exemplo deste tipo de iluminao.
48

_________________________________________________________________________________________

a) Ilustrao. b) Exemplo 1. c) Exemplo 2.
Fig. 3.18: Iluminao Direcional [16, 55].
Sumrio:
Vantagens: forte e constante, ressaltando caractersticas dos objetos.
Desvantagens: sombras e regies com alto brilho.
Fonte de Iluminao: fontes de LEDs ou fibra ptica.
3.3.2 DIRECIONAL UNILATERAL PERPENDICULAR AO EIXO PTICO
Este um caso especial da iluminao anterior, formada quando a direo do feixe
luminoso perpendicular ao eixo ptico (ver Fig. 3.19) [16, 55].

Fig. 3.19: Iluminao Direcional Unilateral Perpendicular ao Eixo ptico [16, 55].
Sumrio:
Vantagens: forte e constante, ressaltando caractersticas dos objetos.
Desvantagens: sombras e regio com alto brilho na imagem.
3.3.3 ANEL LUMINOSO
O Anel Luminoso (ver Fig. 3.20) formado por uma fonte luminosa no formato de anel
[16, 55], fixada junto lente da cmera. Esta estratgia fornece uma iluminao forte, barata e com
direo paralela ao eixo ptico.
49

_________________________________________________________________________________________

a) Ilustrao. b) Exemplo 1. c) Exemplo 2. d) Produto [55].
Fig. 3.20: Iluminao em Anel [16, 55].
Sumrio:
Vantagens: forte e constante, paralela ao eixo ptico, reduz sombras, fcil instalao.
Desvantagens: pode formar um crculo mais iluminado em superfcies reflexivas,
iluminando mal no centro e intensivamente nas extremidades.
3.3.4 FUNDO ESCURO (DARKFIELD)
A iluminao de Fundo-Escuro (Darkfield) um tipo especial de iluminao direcional,
onde a luz emitida de diversas direes [16, 55], entretanto, sempre perpendicular ao eixo ptico.
A Fig. 3.21 ilustra bem esta caracterstica, onde a luz emitida em todas as direes radiais do
plano do campo de viso mas sempre perpendicular ao eixo da cmera. Este tipo de iluminao
muito til para inspees de objetos com superfcies em alto relevo. Um exemplo deste tipo de
aplicao fornecido na Fig. 3.22.

a) Ilustrao. b) Exemplo da Lmpada. c) Produto [55].
Fig. 3.21: Iluminao de Fundo-Escuro (ou Darkfield) [16, 55].
50

_________________________________________________________________________________________

Fig. 3.22: a) Exemplo com Anel Luminoso. b) Exemplo com Fundo-Escuro (Darkfield).
Sumrio:
Vantagens: grande contraste para superfcies transparentes ou em alto relevo.
Desvantagens: difcil de instalar em alguns casos, devido proximidade do objeto.
Fonte de Iluminao: fontes de LEDs ou fibra ptica com adaptador (prismas e
espelhos).
3.3.5 AXIAL DIFUSA
Na iluminao difusa axial (ver Fig. 3.23), o feixe luminoso emitido com um ngulo
quase perpendicular ao eixo ptico [16, 55]. Este feixe luminoso , ento, refletido por um difusor
incidindo sobre o objeto. Uma segunda parte do feixe luminoso refratado pelo difusor, atingindo
o sensor da cmera. Esta estratgia faz com que as superfcies perpendiculares ao eixo ptico
apaream uniformemente iluminadas na imagem, enquanto que as demais ficam escuras. Desta
forma, esta iluminao muito utilizada para medies em superfcies planas.

a) Ilustrao. b) Exemplo 1. c) Exemplo 2. d) Produto [55].
Fig. 3.23: Iluminao Axial Difusa [16, 55].
Sumrio:
Vantagens: iluminao uniforme para superfcies planas, sem sombras, compacta,
forma imagens com grande qualidade e repetibilidade.
51

_________________________________________________________________________________________
Desvantagens: pouca intensidade luminosa incidente no objeto, devido ao difusor e
no distingue caractersticas em alto relevo na imagem.
Fonte de Iluminao: fontes de LEDs ou fibra ptica com difusores.
3.3.6 FRONTAL DIFUSA
Esta iluminao muito semelhante tcnica anterior (ver item 3.3.5), diferenciando-se na
forma de como a iluminao difusa formada [16, 55]. A iluminao, neste caso, formada por
vrias fontes luminosas (Fig. 3.24) que emitem os feixes luminosos com ngulos variados entre 0 e
45 com o eixo ptico. Ento, estes raios so refletidos na direo do sensor da cmera. A grande
diferena a no utilizao do elemento difusor, o que aumenta a intensidade luminosa da imagem.
As aplicaes so similares ao caso anterior.

a) Ilustrao. b) Exemplo.
Fig. 3.24: Iluminao Frontal Difusa [16, 55].
Sumrio:
Vantagens: iluminao boa para superfcies planas, poucas sombras.
Desvantagens: no distingue caractersticas em alto relevo na imagem e requer vrias
fontes de iluminao.
Fonte de Iluminao: fontes de LEDs, fluorescentes, dicrica e fibra ptica.
3.3.7 ILUMINAO DE FUNDO (BACKLIGHT)
Esta tcnica de consiste em posicionar o mdulo de iluminao atrs do objeto [16, 55],
emitindo a luz em direo cmera passando pelo objeto no campo de viso (ver Fig. 3.25). Os
feixes luminosos devem ser paralelos ao eixo ptico. Desta forma, esta tcnica muito til para
aplicaes de metrologia e para anlise de objetos translcidos (ver lmpada na Fig. 3.25).
Sumrio:
Vantagens: medio de contornos de objetos e anlise de objetos translcidos.
Desvantagens: no permite anlise da superfcie do objeto, pois esta no iluminada.
Fonte de Iluminao: fontes de LEDs, fluorescentes e fibra ptica.
52

_________________________________________________________________________________________

a) Ilustrao. b) Exemplo da Lmpada. c) Produto [55].
Fig. 3.25: Iluminao de Fundo (Backlight) [16, 55].
3.3.8 ILUMINAO LINEAR (STRUCTURED OU LINE GENERATING)
Um conjunto de LEDs agrupado linearmente, formando uma fonte que produz uma linha
iluminada sobre o objeto (ver Fig. 3.26). Atravs da movimentao desta linha ou do objeto, pode-
se analisar as caractersticas da forma do objeto em alto relevo [16, 55].

Fig. 3.26: Iluminao Linear [16, 55].
Sumrio:
Vantagens: medio de caractersticas da forma do objeto em alto relevo.
Desvantagens: requer potentes fontes de iluminao, difcil calibrao e complexo
sistema de deslocamento e de sincronizao.
Fonte de Iluminao: normalmente fontes de LEDs, porm, a fibra ptica com
espelhos e prismas tambm pode ser utilizada.
3.3.9 DIA NUBLADO (CLOUDY DAY)
A tcnica de iluminao Dia Nublado (Cloudy Day) assim denominada pois esta imita o
comportamento da atmosfera em um dia nublado [16, 55], ou seja, uma iluminao uniformemente
distribuda em todas as direes que incidem sobre o objeto (ver Fig. 3.27). Este comportamento
53

_________________________________________________________________________________________
obtido atravs da projeo da luz em uma cpula semi-esfrica, que, por sua vez, distribui a luz em
vrias direes. A luz emitida da base da cpula contra a sua parede e outra pequena parte advm
de uma fonte superior, do tipo axial difusa, para evitar que o centro do objeto possua uma
atenuao na iluminao devido ao espao necessrio para colocar a cmera.

a) Ilustrao. b) Ilum.: Anel Luminoso.

c) Ilum.: Dia Nublado. d) Produto [55].
Fig. 3.27: Iluminao Dia Nublado (Cloudy Day) [16, 55].
Esta iluminao muito importante para superfcies complexas (no planas), devido s
diferentes direes com que os feixes luminosos atingem o objeto. Esta , tambm, muito utilizada
em superfcies muito reflexivas e como uma fonte difusa extremamente eficiente.
Sumrio:
Vantagens: iluminao difusa e uniforme, para objetos com formas complexas e
reflexivas.
Desvantagens: custo alto e difcil instalao (espao de trabalho reduzido).
Fonte de Iluminao: LEDs, fibra ptica e lmpadas fluorescentes.
3.3.10 POLARIZADA
A iluminao polarizada (ver Fig. 3.28, [16, 55, 81]) , na verdade, uma tcnica de
filtragem dos raios luminosos, podendo ser empregada com as demais tcnicas de iluminao
apresentadas anteriormente. Com o auxlio de filtros polarizadores (um posicionado na frente da
fonte luminosa e outro na frente da cmera), esta tcnica faz com que somente feixes luminosos em
uma direo especfica incidam sobre o sensor da cmera. Desta forma, feixes luminosos provindos
de outras direes distintas so impedidos de sensibilizar o sensor da cmera.
Desta forma, a iluminao polarizada aumenta o contraste do sistema de viso, evita que
fontes de iluminao do ambiente prejudiquem o sistema e, ainda, pode ser utilizado para avaliar a
deformao em materiais translcidos (ver Fig. 3.28).
54

_________________________________________________________________________________________

a) Ilustrao. b) Objeto sem
Polarizador.
c) Objeto com
Polarizador.
d) Deformao.
Fig. 3.28: Iluminao Polarizada [16, 55].
No prximo captulo (cap. 4), apresentam-se as tcnicas de processamento de imagens
empregadas no projeto deste sistema de viso.
55

_________________________________________________________________________________________
4 TCNICAS DE PROCESSAMENTO DE IMAGENS
Quando a imagem digitalizada (ver item 3.1), ela armazenada na memria do
computador na forma de uma matriz de dados, onde cada elemento representa um pixel da imagem.
Esta matriz numrica , ento, processada pelo computador para extrair as informaes desejadas
da imagem. Neste captulo sero apresentadas as tcnicas de processamento de imagens aplicadas
no projeto deste sistema de viso para extrair as informaes das imagens. O objetivo aqui no o
de descrever os algoritmos em detalhes, mas sim, apresentar as suas principais caractersticas e os
resultados da aplicao destes sobre imagens.
4.1 IMAGEM E ROI
Imagem digital, como foi dito anteriormente, uma matriz numrica onde cada elemento
representa a intensidade luminosa em um determinado ponto [35]. ROI (Region Of Interest)
caracteriza-se como um segmento desta imagem, ou uma sub-imagem. A Fig. 4.1 apresenta um
exemplo de ROI. Nota-se que o centro da imagem foi selecionado em uma sub-imagem, facilitando
a anlise desta parte da imagem.

Fig. 4.1: Exemplo de uma ROI Sobre Outra ROI.
As ROIs servem, justamente, para separar partes da Imagem para serem analisadas segundo
algoritmos especficos. Existem dois tipos de ROI:
1. ROI Normal: esta copia a regio da imagem selecionada para uma nova imagem
(nova matriz de dados) com as dimenses da rea selecionada, permitindo que
operaes sejam executadas sobre esta parte da imagem sem afetar a imagem original.
Esta tambm denominada como ROI Primria ou ROI Pai;
56

_________________________________________________________________________________________
2. ROI Virtual: esta representa uma determinada regio da imagem sem realizar uma
cpia (utiliza a mesma matriz de dados que a imagem original), ou seja, operaes
realizadas sobre esta ROI alteram o contedo da imagem de referncia na regio que a
ROI representa. Esta tambm denominada como ROI Secundria ou ROI Filha.
Outra caracterstica da ROI a sua hierarquia mltipla, i.e., cria-se uma ROI
referenciando-se uma regio da imagem. Entretanto, pode-se criar uma segunda ROI
referenciando-se uma regio de uma ROI pr-existente (ver Fig. 4.1). Isto significa que pode-se
referenciar ROI em relao umas com as outras e em relao com imagens.
4.2 OPERAES BSICAS
Uma das operaes mais simples realizadas sobre imagens em Sistemas de Viso so
operaes aritmticas e lgicas [27, 32, 35, 82] entre imagens e entre imagens e um valor
constante. Como as imagens digitais so na verdade matrizes numricas, geralmente com valores
inteiros, pode-se aplicar a estas todos os tipos de operaes efetuadas com matrizes.
Uma caracterstica que diferencia as operaes de imagens das operaes com matrizes a
forma como a saturao implementada. Quando os pixels de uma imagem so processados por
uma determinada operao, se o valor resultante for maior que a resoluo da imagem, o valor ser
saturado no valor mximo suportado pela imagem. Da mesma forma ocorre se o resultado da
operao ultrapassar o limite mnimo, sendo, portanto, saturado para o valor mnimo. Por exemplo,
suponha que uma imagem monocromtica com resoluo de 8 bits (0 255 tons de cinza) seja
multiplicada por 2. Todos os pixels que possurem valores iniciais superiores a 123, tero os seus
valores finais (resultado da operao) saturados em 255, pois este o valor mximo suportado pela
resoluo da imagem. Esta caracterstica serve para manter a coerncia das informaes na
imagem.
As operaes lgicas consideram que um pixel possui valor verdadeiro se o seu contedo
for diferente de 0(zero), seno o valor ser falso. O resultado da operao sempre uma
imagem binria, onde os pixels com contedos verdadeiros assumem o valor mximo (255, em
uma imagem em tons de cinza com resoluo de 8 bits) e os pixels com contedos falsos assumem
o valor 0.
A seguir, apresentam-se algumas das operaes bsicas comumente realizadas com
imagens:
Cpia: copiar uma imagem para outra imagem;
57

_________________________________________________________________________________________
Soma: somar os pixels de duas imagens com dimenses idnticas, ou pixels de uma
imagem com uma constante;
Subtrao: realiza a subtrao dos pixels de duas imagens com dimenses idnticas,
ou pixels de uma imagem com uma constante;
Inverso: este algoritmo inverte uma imagem, ou seja, os pixels com cor branca
passam a conter a cor preta e vice-versa (clculo do complemento). Em uma imagem
com 255 tons de cinza, este algoritmo opera da seguinte forma: valor_do_pixel(x) =
255 - valor_do_pixel(x); Um algoritmo semelhante aplicado no caso de imagens
coloridas;
Multiplicao: multiplicao de uma imagem por outra ou por um valor constante;
Operao Binria &: realiza-se uma operao binria & entre os pixels de duas
imagens ou entre os pixels de uma imagem e uma constante;
Operao Binria OR: realiza-se uma operao binria OR entre os pixels de duas
Operao Binria XOR: realiza-se uma operao binria XOR (ou exclusivo) entre
os pixels de duas imagens ou entre os pixels de uma imagem e uma constante;
Operao Binria NOT: operao idntica a inverso da imagem, ou seja, calcula o
complemento desta;
Mnimo: retorna o valor mnimo presente em uma imagem;
Mximo: retorna o valor mximo presente em uma imagem;
Soma dos Pixels: soma o valor de todos os pixels presentes na imagem;
Num. dos Pixels Nulos: calcula quantos pixels na imagem possuem o valor 0;
Num. dos Pixels No Nulos: calcula quantos pixels na imagem possuem os valores
diferentes de 0;
Mdia: calcula a mdia dos valores de todos os pixels presentes na imagem.
Desvio padro: calcula o desvio padro dos valores de todos os pixels presentes na
imagem;
Norma: calcula a norma dos valores dos pixels presentes na imagem, tanto a norma
simples com a norma da diferena em relao a outro valor (constante ou outra
imagem);
Operao Lgica &: realiza-se uma operao lgica & entre os pixels de duas
Operao Lgica OR: realiza-se uma operao lgica OR entre os pixels de duas
58

_________________________________________________________________________________________
Operao Lgica XOR: realiza-se uma operao lgica XOR entre os pixels de duas
Igualdade: operao lgica para dizer se duas imagens so idnticas ou se uma
imagem idntica ao valor de uma constante (todos os pixels so idnticos a esta
constante);
Maior Que: indica se todos os pixels de uma imagem so maiores que os pixels de
outra imagem ou maiores que uma constante;
Menor Que: indica se todos os pixels de uma imagem so menores que os pixels de
outra imagem ou menores que uma constante;
4.3 TRANSFORMAES GEOMTRICAS
Transformaes geomtricas [27, 32, 35] so utilizadas para alterar a posio dos pixels de
uma imagem sem, entretanto, alterar o valor de intensidade representado por estes (ver Fig. 4.2).
Considerando uma imagem como sendo um espao vetorial definido por uma base
ortonormal cartesiana (por exemplo, pelos vetores (1,0) e (0,1)) pode-se alterar a posio do pixels
na imagem atravs de uma transformao linear.

Fig. 4.2: Exemplo de Translao e Rotao de uma Imagem.
As seguintes operaes so implementadas atravs de transformaes na base vetorial que
representa uma imagem:
Zoom: este algoritmo amplia/reduz a resoluo da imagem, i.e., amplia/reduz o
nmero de pixels utilizados para representar um objeto. Esta funo degenerativa, ou
seja, algumas informaes da imagem podem ser perdidas.
Translao: este algoritmo translada uma imagem inteira em qualquer uma das
direes de suas dimenses (horizontal ou vertical, ver Fig. 4.2).
Rotao: este algoritmo rotaciona uma imagem a partir de qualquer ngulo e ponto de
referncia (eixo de rotao, ver Fig. 4.2) fornecido.
A seguinte equao implementa uma transformao linear genrica, podendo ser aplicada
aos casos apresentados acima:
59

_________________________________________________________________________________________

]; 2 ][ 1 [ ] 1 ][ 1 [ ] 0 ][ 1 [ '
]; 2 ][ 0 [ ] 1 ][ 0 [ ] 0 ][ 0 [ '

+ +
+ +
y x y
y x x
(eq. 4.1)
Se aps a execuo desta operao algum pixel da imagem ficar posicionado fora das
dimenses desta, este pixel ser perdido. Se, no entanto, algum pixel novo for inserido, este conter
um valor padro a ser fornecido pelo usurio da biblioteca.
4.4 THRESHOLD
Threshold [27, 32, 35] uma tcnica desenvolvida para aumentar o contraste de um objeto
em relao ao fundo da imagem, ou seja, ressaltar o objeto em relao ao fundo.
Threshold consiste em analisar a imagem, definindo um valor mnimo ou mximo de
intensidade luminosa para que um pixel pertena a um objeto. Valores fora deste patamar, sero
apagados da imagem e valores dentro do intervalo sero ressaltados ou mantidos.
( )
'
>
else
Threshold j i I if
j i I
; 0
) , ( ; 255
) , ( ' (eq. 4.2)
Normalmente, utiliza-se como referncia um valor mnimo de intensidade (eq. 4.2). Pixels
com intensidade menor que este valor, recebem o valor nulo (0) de intensidade. Pixels com inten-
sidade acima deste valor, recebem o valor mximo (255, em uma imagem de 8 bits de resoluo)
de intensidade. A Fig. 4.3 mostra um exemplo de uma imagem analisada com o algoritmo de
threshold, onde o valor de intensidade luminosa utilizado como referncia igual a 92.

a) Original.
b) Intensidade Luminosa Plotada
em 3D (Renderizao).
c) Aps o Threshold.
Fig. 4.3: Exemplo de uma Imagem aps a Operao de Threshold.
4.4.1 THRESHOLD ADAPTATIVO
Threshold adaptativo [32] nada mais que um tipo especial de threshold, onde os
patamares mnimo e mximo de intensidade luminosa so definidos a partir de dados estatsticos da
imagem. Nesta tcnica, procura-se localizar parmetros de threshold que otimizem o processo de
separao dos pixels pertencentes ao fundo da imagem em relao aos pixels do objeto.
60

_________________________________________________________________________________________
4.5 FILTROS (CONVOLUES)
Filtros [27, 32, 35, 82] so transformaes aplicadas na imagem considerando o valor de
um determinado pixel e de seus vizinhos. Os filtros produzem diferentes tipos de efeitos sobre a
imagem, alguns efeitos so listados a seguir:
atenuar rudos na imagem;
suavizar imagens;
segmentar regies com valores de intensidade parecidos;
detectar contornos na imagem.
Os filtros so, geralmente, implementados atravs de convolues sobre a imagem.
Convoluo [27, 32, 35, 82] uma operao sobre imagens que utiliza uma mscara (ncleo de
convoluo ou kernel) para processar um determinado pixel, considerando o valor deste e de seus
vizinhos na imagem.
A Fig. 4.4 apresenta uma ilustrao da tcnica de convoluo. A Fig. 4.4a mostra uma
matriz que representa uma imagem monocromtica 5x8, com 8 bits de resoluo. Deseja-se aplicar
uma convoluo nesta imagem utilizando uma mscara de tamanho 3x3. Desta forma, cria-se uma
matriz 3x3 contendo os valores a serem utilizados pela mscara de convoluo (ver Fig. 4.4c). A
imagem resultante calculada a partir da equao:
( )
;
) , (
) 1 , 1 ( ) , (
) , ( '
3
0
3
0
3
0
3
0

+ +
i j
i j
j i a
j y i x I j i a
y x I (eq. 4.3)
Por exemplo, o valor do pixel (2,4) aps esta convoluo, ser:
; 175
13
100 100 150 150 255 5 200 100 150 50
) 4 , 2 ( '
+ + + + + + + +
I (eq. 4.4)
Assim, calcula-se esta equao para todos os elementos da matriz da imagem, gerando a
imagem resultante.

a20

a21

a22

a10

a11

a12

a00

a01

a02

a)Exemplo de imagem. b)Ncleo de Convoluo. c)Exemplo de Convoluo 3x3.

Fig. 4.4: Exemplificao da Convoluo.
61

_________________________________________________________________________________________
A partir do princpio da convoluo, implementa-se uma srie de filtros conhecidos apenas
definindo-se a matriz de convoluo apropriada.
Os seguintes filtros so aplicados neste sistema de viso:
Sobel: este filtro aplica um operador de derivada na imagem, ressaltando os cotornos.
Entretanto, rudos presentes na imagem so amplificados;
Laplace: este filtro tambm aplica um operador de derivada na imagem, ressaltando os
seus contornos. Entretanto, rudos presentes na imagem so amplificados;
Min: este um filtro no-linear. Ele substitui o valor de determinado pixel pelo valor
do pixel com menor intensidade na sua vizinhana de convoluo;
Max: este um filtro no-linear. Ele substitui o valor de determinado pixel pelo valor
do pixel com maior intensidade na sua vizinhana de convoluo;
Mdia: este um filtro no-linear. Ele substitui o valor de determinado pixel pelo
valor mdio contido nos pixels da sua vizinhana de convoluo
Gauss: este um filtro muito utilizado para suavizar imagens e atenuar rudos,
utilizando uma curva de Gauss para calcular os ganhos da matriz de convoluo.
Canny [32, 35, 82] (ver Fig. 4.5) um algoritmo especial de filtragem que utiliza um
conjunto de operaes de processamento de imagens para suavizar rudos e obter bordas bem
definidas. Simplificadamente, o algoritmo Canny aplica as seguintes operaes sobre imagens:
1. Suavizao da Imagem: a imagem suavizada utilizando um filtro gaussiano,
atenuando rudos da imagem;
2. Derivao: a imagem resultante do passo anterior derivada nas direes x e y,
ressaltando o valor dos contornos existentes;
3. Supresso de Pixels No-Mximos: todo ponto pertecente a uma borda, ser um
mximo local aps o clculo das derivadas. Seguindo este raciocnio, pixels que no
representam mximos locais, no so considerados como pontos pertencentes a bordas
e, por isso, so suprimidos da imagem.
4. Threshold: aplica-se, ainda, um algoritmo de threshold para separar os pontos finais
que representam contornos dos demais. Este um algoritmo especial de threshold, que
alm de considerar o valor do prprio pixel, tambm considera os valores dos seus
vizinhos.
62

_________________________________________________________________________________________

Fig. 4.5: Exemplos de Aplicaes do Filtro Canny.
4.6 OPERADORES MORFOLGICOS
Define-se Morfologia como a forma e a estrutura de um objeto, ou ainda, os arranjos e
inter-relacionamentos entre as partes de um objeto. Morfologia digital uma estratgia para
descrever e analisar a forma de um objeto digital.
Operadores morfolgicos [27, 32, 35, 71, 82] realizam um conjunto de operaes a partir
da sobreposio (ou subtrao) da forma de uma imagem pela forma de um elemento estruturante
(outra imagem). O elemento estruturante est para a morfologia assim como o ncleo de
convoluo (kernel) est para teoria de filtragem linear.
A Fig. 4.6 apresenta os dois tipos principais de operaes morfolgicas: dilatao e eroso.
Tanto o conjunto de pixels em A quanto o conjunto de pixels em B podem ser considerados
como sendo uma imagem, entretanto A usualmente considerado com sendo a imagem a ser
analisada e B como sendo o elemento estruturante.

Fig. 4.6: a) Imagens A e B. b) Dilatao D(A,B). c) Eroso E(A,B).
A operao morfolgica de dilatao, em geral, faz com que o objeto dilate, enquanto que a
eroso faz com que o objeto encolha. O modo e a proporo (magnitude) da expanso ou reduo
da imagem dependem, necessariamente, do elemento estruturante B. Aplicar uma dilatao ou
eroso numa imagem sem especificar um elemento estruturante no causar nenhum efeito nesta.
Os dois elementos estruturantes mais comuns (olhando num plano cartesiano) so os conjuntos 4-
conexes e 8-conexes, N4 e N8 (ver Fig. 4.7).
63

_________________________________________________________________________________________

Fig. 4.7: Os Elementos Estruturantes Padro N4 e N8, Respectivamente.
Pode-se, ainda, combinar a dilatao com a eroso para construir operadores mais
importantes:
Abertura (Open): definida como uma eroso seguida de uma dilatao. Esta operao
ressalta furos internos do objeto e tende a separar elementos na extremidade do objeto
(ver Fig. 4.8a);
Fechamento (Close): definida como uma dilatao seguida de uma eroso. Esta
operao tende a fechar furos internos no objeto e a conectar elementos na extremidade
do objeto (ver Fig. 4.8b);
Acerto e Erro (Hit and Miss): aplica os operadores de abertura e fechamento para
ressaltar os contornos do objeto (ver Fig. 4.8d);
Grandiente: aplica os operadores de abertura e fechamento de forma a calcular o
gradiente da imagem (ver Fig. 4.8d);
Top-Hat: aplica os operadores de abertura e fechamento para ressaltar os contornos do
objeto, principalmente no caso de objetos claros com fundo escuro;
Black-Hat: aplica os operadores de abertura e fechamento para ressaltar os contornos
do objeto, principalmente no caso de objetos escuros com fundo claro.

a) Abertura. b) Fechamento. c) Exemplo 1. d) Acerto e Erro.
Fig. 4.8: Exemplo de Aplicaes de Morfologia.
4.7 DETECO DE FORMAS GEOMTRICAS BSICAS
A deteco de formas geomtricas utilizada para localizar, em uma imagem, padres de
formas com uma geometria bem-definida tais como: retas, crculos e elipses.
Primeiro, aplica-se um conjunto de tcnicas de processamento da imagem para destacar
somente os pontos que definem as formas. Estas tcnicas buscam destacar os contornos da imagem,
atravs de filtros de derivada, segmentao e threshold. Com os contornos da imagem destacados
64

_________________________________________________________________________________________
(valores bem maiores que os pixels de fundo), empregam-se os algoritmos de deteco de formas
para determinar as formas existentes na imagem.
4.7.1 INTERPOLAO LINEAR
Interpolao [32, 35, 82] a tcnica mais conhecida para detectar formas. Dado um
conjunto de pontos conhecidos, utiliza-se a interpolao para localizar a curva (ou o polinmio)
que melhor representa este conjunto de pontos. Na prtica, a tcnica procura pela equao da curva
(ou polinmio) que minimiza a distncia deste polinmio aos pontos fornecidos.
Esta tcnica muito utilizada para calcular a reta que melhor representa um conjunto de
pontos, utilizando o mtodo da mnima distncia ao quadrado (Least Square Distance) [32, 35]. A
seguir, apresenta-se como o algoritmo realiza a interpolao por uma reta.
Dado a equao da reta,
; + x y (eq. 4.5)
obtm-se a equao da reta que passa por um conjunto de pontos, atravs da equao:
;
;
,
_
,
_
,
_
n
x
n
y
n
x x
x x
n
y x
y x

(eq. 4.6)
Este mtodo produz bons resultados, quando os pontos fornecidos aproximam-se de uma
reta. Caso uma parte destes pontos no pertena reta procurada, estes pontos influenciam o
resultado negativamente, de forma que a reta gerada minimizar a distncia a todos os pontos mas
poder no definir, corretamente, a forma desejada.
Por este motivo, importante utilizar o conhecimento a priori da cena, para definir
regies (ROI) que representam, claramente, uma reta e aplicar este algoritmo somente nos pontos
que pertenam a esta regio.
Entretanto, no caso dos pontos formarem uma reta com ngulo de inclinao prximo a
90, a soluo do problema de interpolao torna-se mal condicionada, resultando em uma
interpolao imprecisa e de m-qualidade. Para evitar que isto ocorra, realiza-se uma transformao
linear antes de realizar a interpolao:
; '
; '
y x
x y

(eq. 4.7)
a equao da reta, passa a ser escrita na forma:
65

_________________________________________________________________________________________
; ' ' ' ' + x y (eq. 4.8)
Os parmetros da nova reta so calculados usando-se a mesma equao 4.6, porm ajustada
para os novos parmetros.
Por fim, realiza-se a transformao inversa, obtendo-se os parmetros reais da reta atravs
da equao:
;
'
'
;
'
1

(eq. 4.9)
4.7.2 TRANSFORMADA DE HOUGH
Paul Hough desenvolveu a transformada de Hough [35, 47, 82] em 1962 para detectar
formas geomtricas que so facilmente parametrizadas (linhas, crculos, elipses etc.) em imagens
computacionais binrias.
Inicialmente, a imagem precisa ser processada a fim de ressaltar apenas os pontos que
definem essas formas. Deste modo, aplicam-se algoritmos de filtragem derivativa para ressaltar
apenas os pontos que pertenam a contornos. Aps esta anlise, os pontos com intensidade maior
que zero (0) so armazenados em um conjunto.
Em seguida, define-se qual a equao que melhor representa o conjunto de pontos a serem
processados. Suponha-se, por exemplo, que estes pontos podem ser representados por uma reta.
Portanto, poder-se-ia utilizar a seguinte equao:
; + x y (eq. 4.10)
A partir da equao geomtrica utilizada, constri-se uma tabela (com dimenso igual ao
nmero de parmetros) denominada de acumulador, representando os possveis valores que estes
parmetros podem assumir. Estes parmetros podem assumir quaisquer valores do conjunto de
Nmeros Reais. Por este motivo, faz-se necessrio limitar o espao dos parmetros vlidos,
definindo os valores mximos e mnimos, bem como definindo uma resoluo mxima admissvel.
A Fig. 4.9a mostra um exemplo de um acumulador onde os parmetros foram limitados a um valor
mximo igual a 5, um valor mnimo igual a -5e uma resoluo igual a 1,0.
Uma vez que o acumulador est pronto, pegam-se os dois primeiros pontos do conjunto de
contornos do objeto (definido anteriormente) e calcula-se a reta que passa por eles. Analisando-se
os parmetros da reta calculada, incrementa-se o contador do acumulador na posio que
corresponde a esta reta. Este procedimento repetido para todos os possveis pares de pontos
pertencentes ao conjunto contendo os contornos do objeto. Ao final deste procedimento, as
posies no acumulador que possurem um valor acumulado maior que um nmero de referncia
66

_________________________________________________________________________________________
mnimo (parmetro da transformada de Hough) representaro retas definidas sobre a imagem. A
Fig. 4.9b ilustra este caso, onde o elemento (-3,1) possui valor acumulado igual a 10, indicando
que a imagem original possui uma reta definida pela eq. 4.11 que passa por, pelo menos, 10
pontos do contorno do objeto.

a) Acumulador Inicial. b) Acumulador Aps a Transformada.
Fig. 4.9: Exemplo de um Acumulador de Parametrizao da Transformada Hough.
; 1 3 + x y (eq. 4.11)
Um resultado mais preciso e eficiente pode ser obtido utilizando-se coordenadas polares
para a representao de uma reta. A eq. 4.12 apresenta a equao polar de uma reta, onde ? e ?
so, respectivamente, o comprimento e a orientao do vetor normal a reta (ver Fig. 4.10a). Neste
caso, o acumulador ser construdo utilizando-se os parmetros ? e ?.

); sen( ) cos( + y x (eq. 4.12)

a) Equao Polar da Reta. b) Imagem Exemplo. c) Contornos. d) Resultado.
Fig. 4.10: Exemplo da Transformada Hough Aplicada Equao Polar da Reta.
A transformada Hough pode ser ainda utilizada para detectar elipses e crculos em uma
imagem (ver Fig. 4.11), aplicando-se a mesma estratgia, porm utilizando as equaes
geomtricas correspondentes.
Existem outros algoritmos derivados da transformada Hough que utilizam dados
estatsticos da imagem para acelerar o algoritmo de deteco de formas.
67

_________________________________________________________________________________________

Fig. 4.11: Ilustrao da Transformada Hough Aplicada a Elipses.
4.8 SEGMENTAO
Segmentao uma tcnica utilizada para dividir a imagens em partes (segmentos)
distintas de acordo com algum padro de semelhana. Dentre os parmetros de uma imagem
utilizados para a segmentao, pode-se destacar os seguintes mais importantes: intensidade
luminosa, tonalidade de cor, textura, contornos e espectro de freqncia. A Fig. 4.12 apresenta um
exemplo de uma imagem segmentada de acordo com a intensidade luminosa da imagem.

Fig. 4.12: Exemplo de Aplicao de Segmentao em uma Imagem de uma Madeira.
Existem diversas tcnicas para segmentar uma imagem. Entretanto, como apenas a tcnica
de segmentao piramidal estava disponvel para aplicao neste trabalho, descrever-se- aqui
somente esta tcnica. Outras tcnicas podem ser avaliadas a partir das seguintes referncias [27, 32,
45].
4.8.1 ARQUITETURA PIRAMIDAL
A Arquitetura piramidal [27, 32, 45] surgiu como tipo de organizao alternativa para o
processamento digital de imagens em uma arquitetura paralela. Nesta estratgia, os elementos de
processamento so arranjados em planos de forma hierrquica, compondo uma estrutura na forma
de pirmide. Cada plano tem uma dimenso menor do que o plano anterior. Cada elemento de
processamento est interconectado com os vizinhos no seu plano e, verticalmente, com o seu
elemento superior ("pai) e com os seus descendentes (filhos), que se encontram nos planos
superior e inferior respectivamente. A Fig. 4.13a mostra a topologia tpica de um elemento de
68

_________________________________________________________________________________________
processamento, ilustrando as suas conexes. As setas 1 a 4 representam as conexes de um
elemento de processamento com seus "filhos", a seta P representa a conexo com seu "pai" e as
setas N, S, L e O as conexes com os vizinhos de plano. J a Fig. 4.13b apresenta a conexo
de um elemento de processamento com outros 4 elementos, formando uma pirmide de dois nveis.

a) Topologia de um Elemento de Processamento.

b) Exemplo de uma Pirmide de 2 Nveis.
Fig. 4.13: Ilustrao de uma Arquitetura Piramidal.
No processamento de imagens, cada nvel da pirmide pode ser compreendido como uma
representao em maior ou menor resoluo em relao imagem original (ver a Fig. 4.15). A
arquitetura piramidal pode ser construda com diferentes topologias, entretanto, a mais usual a do
tipo "quad-tree" [9]. Nesta topologia em rvore, cada n liga-se a 4 outros ns no nvel
subseqente (ver Fig. 4.14). Desta forma, em aplicaes de processamento de imagens, pode-se
facilmente calcular a reduo na resoluo da imagem pela aplicao de operaes de mdia local.

Fig. 4.14: Representao de Dados em Quad-Tree.
Com esta topologia, a cada nvel que se avana na rvore de dados, a imagem tem as suas
dimenses (largura e altura) reduzidas pela metade. Por esta razo, este mtodo reduz a quantidade
de espao necessria para o armazenamento da imagem. Em muitos casos, uma grande proporo
da imagem apresenta reas com baixas variaes de intensidade, o que permite ao algoritmo
descart-las sem grande perda da qualidade. A Fig. 4.15 apresenta um exemplo de aplicao da
arquitetura piramidal em uma imagem.
Algoritmos escritos para esta estrutura utilizam a capacidade de propagao das
informaes do pice para a base da pirmide ou vice-versa, possibilitando assim a execuo
eficiente de transformadas, como tambm operaes de segmentao e deteco de movimento.
Devido forma como os dados so representados hierarquicamente, esta arquitetura aplicada
69

_________________________________________________________________________________________
tambm na execuo de filtragem e compresso de dados. A seguir, apresenta-se uma lista com
aplicaes possveis de serem implementadas em arquitetura piramidal [27, 32, 45]: suavizao,
eliminao de rudo, deteco de gradientes, deteco de bordas, deteco de texturas, compresso
e processamento local de imagens.

a) 256x256. b) 128x128. c) 64x64. d) 32x32. e) 16x16.
Fig. 4.15: Representao da Imagem por Pirmides em Nveis de Resoluo Diferentes.
4.8.2 PIRMIDE GAUSSIANA E LAPLACIANA
Dentro do escopo das aplicaes da arquitetura piramidal no processamento de imagens
digitais, duas operaes bsicas so definidas [27, 32, 45], das quais as demais aplicaes so
derivadas:
Construo da Pirmide Gaussiana;
Construo da Pirmide Laplaciana;
A pirmide gaussiana calculada da seguinte forma:
1. A imagem original (G
0
) sofre uma convoluo gaussiana;
2. Em seguida, esta reduzida metade do seu tamanho, utilizando a topologia Quad-
Tree, para formar a pirmide gaussiana G
1
.
3. Este processo pode ser sucessivamente aplicado at a imagem ser reduzida ao tamanho
de 1 pixel.
Por sua vez, a pirmide laplaciana construda a partir de uma pirmide gaussiana da
seguinte maneira:
1. Amplia-se a pirmide gaussiana G
k+1
, atravs da topologia de Quad-Tree inversa,
formando uma imagem com o dobro da dimenso de G
k+1
;
70

_________________________________________________________________________________________
2. Em seguida, aplica-se uma convoluo gaussiana com a imagem resultante,
interpolando os pixels que ficaram isolados aps a ampliao;
3. A imagem resultante , ento, subtrada da pirmide gaussiana G
k
, formando a
pirmide laplaciana L
k
;
Para reconstruir a imagem original, basta aplicar o processo inverso. A Fig. 4.16 descreve a
criao e reconstruo das pirmides gaussiana e laplaciana.

Fig. 4.16: Ilustrao do Clculo das Pirmides Gaussiana e Laplaciana [32].
4.8.3 SEGMENTAO POR ARQUITETURA PIRAMIDAL
P. J. BURT et al [8] propuseram um algoritmo eficiente utilizando pirmides para
segmentar imagens e detectar contornos (ver Fig. 4.17). Este um algoritmo iterativo (tambm
descrito em [35]) que localiza componentes conectados com pequena variabilidade da intensidade
luminosa, sendo, portanto, aplicado a imagens em tons de cinza. As seguintes etapas so
executadas pelo algoritmo:
1. Clculo da Pirmide Gaussiana;
2. Segmentao da Pirmide segundo a tcnica pyramid-linking [8, 35]. Se a diferena
de tonalidade de dois segmentos for menor que um dado valor de referncia, estes
segmentos so unidos formando um nico contendo uma tonalidade mdia;
3. Clculo da intensidade luminosa mdia em cada um dos segmentos detectados.
Os passos 2 e 3 so repetidos iterativamente at obter uma segmentao estvel.
71

_________________________________________________________________________________________

Fig. 4.17: Exemplo de Segmentao por Pirmides.
4.9 CONTORNOS
Em uma imagem bidimensional, pode-se descrever um objeto a partir da sua colorao ou
textura e a partir da sua forma. A forma de um objeto pode ser perfeitamente representada por um
conjunto de contornos que delimitam o objeto externa e internamente. Seguindo este raciocnio,
conclui-se que a deteco e anlise de contornos so ferramentas fundamentais para a correta
interpretao de uma imagem [35, 47, 82].
Contornos podem ser ressaltados nas imagens atravs de diferentes tcnicas, ou mesmo, da
combinao destas tcnicas:
Filtragem (Sobel, Laplace, Canny, Hipass, etc.);
Threshold;
Morfologia (Hit and Miss, Top-Hat, Black-Hat e Gradiente);
Segmentao;
Uma vez que a imagem foi binarizada (ver Fig. 4.18), mantendo-se somente os pontos
pertencentes ao objeto com valores acima de zero (0), basta aplicar um algoritmo de varredura
simples [1] para detectar todos os contornos existentes e armazen-los em vetores de pontos, para
posterior anlise. Um mtodo de varredura de contornos pode ser obtido em [35].
A partir destes vetores que definem os contornos existentes na imagem, pode-se calcular
diversos parmetros, como os abaixo relacionados:
medio de dimenses (largura, altura, raio mximo, raio mnimo etc.);
rea do contorno;
momento;
72

_________________________________________________________________________________________
centride;
orientao;
clculo das extremidades superior, inferior, lateral esquerda e lateral direita (ver Fig.
4.18).
Atravs dos contornos, pode-se tambm compactar uma imagem, representando-a apenas
pelos seus contornos.

a) Deteco de Contornos. b) Clculo das Extremidades do Contorno.
Fig. 4.18: Exemplos de Anlise de Contornos.
Diversos algoritmos de deteco de padres (pattern matching) [35, 47, 82], utilizam a
comparao dos contornos dos objetos para definir se um contorno igual a outro. Anteriormente,
comparava-se todos os pixels que formavam o objeto, requerendo um alto tempo de processamento
para executar esta operao.
4.10 CONTORNOS ATIVOS (SNAKES)
Imagine-se um colar (gargantilha) formado por um conjunto de anis metlicos
interligados, formando, assim, uma corrente flexvel (ver Fig. 4.19a). Este sistema pode, ento, ser
modelado fisicamente como uma corrente mecnica (Fig. 4.19b). Desta forma, se uma fora F
1
agir
sobre um dos ns da corrente, este n sofrer um movimento da direo e sentido desta fora.
Entretanto, como este n est interligado aos seus vizinhos (considere-se uma conexo elstica),
este tender a puxar os ns vizinhos no sentido do movimento produzido por F
1
. Estes ns
vizinhos, por sua vez, tambm puxaro os seus vizinhos com uma fora de menor intensidade.
Assim, o movimento vai sendo propagado para quase toda a corrente (at a intensidade da fora
decrescer tanto, que tornar-se- desprezvel).
Este o comportamento bsico de uma corrente mecnica, modelado com muita
propriedade nos livros de fsica sobre mecnica. Agora, imagine-se que foi colocado um im no
centro da corrente. Este im produzir uma fora de atrao sobre os ns do colar, uma vez que
73

_________________________________________________________________________________________
estes ns so metlicos (formado por um metal magntico). Os ns sero, assim, atrados para o
centro, movimentando a corrente. Entretanto, como os ns esto interligados uns aos outros, o
movimento resultante se assemelhar ao movimento descrito por uma cobra.

a) Colar Metlico. b) Simulao do Movimento. c) Im no Centro do Colar.
Fig. 4.19: Ilustrao do Conceito de Contornos Ativos (Snakes).
Por analogia, pode-se comparar um contorno com uma corrente metlica magntica, onde
cada ponto do contorno representa um n da corrente e a intensidade luminosa representa a atrao
magntica de um im. Desta forma, aplica-se o modelo mecnico-fsico de correntes para
representar o comportamento de um contorno. Esta tcnica foi, ento, denominada de contornos
ativos ou cobra (Snake) devido similaridade como o movimento de uma cobra [32, 59, 64, 79].
Este problema modelado fisicamente como um sistema instvel que tende a um ponto de
equilbrio atravs da minimizao da energia do sistema. A energia associada ao contorno ativo
definida pela equao:
;
EXT INT
E E E +

(eq. 4.13)
onde
E: energia do sistema.
E
INT
: energia interna do sistema modelada por sistema de corrente-mecnica.
E
EXT
: energia externa do sistema, representando as foras externas que agem
sobre o contorno.
O objetivo principal do contorno ativo encontrar uma posio para todos os pontos que
pertenam a contorno de forma a minimizar a equao de energia.
74

_________________________________________________________________________________________
Existem diferentes estratgias para modelar as energias que compem um contorno ativo, e
uma das formas mais usuais ser apresentada a seguir. A energia interna pode ser modelada como a
soma da energia de continuidade com a energia de curvatura do contorno:
;
CURV CONT INT
E E E +

(eq. 4.14)
onde
E
CONT
: energia de continuidade do contorno.
E
CURV
: energia de curvatura do contorno.
A energia de continuidade tem por objetivo manter os pontos do contorno eqidistantes,
sendo definida pela equao:
;
1

i i CONT
p p E (eq. 4.15)
onde
: distncia mdia entre os pares de pontos no contorno.
p
i
: ponto de ndice i pertencente ao contorno.
p
i-1
: ponto de ndice i - 1 pertencente ao contorno.
J a energia de curvatura tem por objetivo manter o contorno suave. Isto realizado
mantendo-se o ngulo formado por um ponto e seus dois vizinhos o mais aberto possvel, sendo
modelado da seguinte forma:
; 2
2
1 1 +
+
i i i CURV
p p p E (eq. 4.16)
A energia externa do contorno pode ser modelada pela equao:
;
LIM IMG EXT
E E E +

(eq. 4.17)
onde
E
IMG
: energia da imagem atual.
E
LIM
: energia de devido a limitaes adicionais (constraints).
Dois tipos de energia de imagem so comumente aplicados. O primeiro considera a
intensidade luminosa como a fora que atrai os contornos ativos (eq. 4.18). Desta forma, o
contorno tende a delimitar reas com intensa luminosidade (brancas).
; I E
IMG

(eq. 4.18)
onde
I: representa a intensidade luminosa dos pixels da imagem.
A segunda estratgia utiliza a derivada da imagem como energia externa (eq. 4.19). Isto faz
com que contorno seja atrado para pertos de regies com derivada acentuada, ou seja, das bordas.
Desta forma, o contorno delimita com maior preciso as formas presentes na imagem.
75

_________________________________________________________________________________________
; ) (I grad E
IMG
(eq. 4.19)
onde
grad(I): clculo do gradiente da imagem.
A energia E
LIM
utilizada para representar limitaes adicionais ao modelo, como uma
regio da imagem que no pode ser envolvida pelo contorno. Normalmente, esta energia no
aplicada ao modelo.
Finalmente, obtm-se a seguinte equao geral de energia de um contorno ativo:
;
IMG CURV CONT
E E E E + +

(eq. 4.20)
onde
: influncia (%) da energia de continuidade no sistema como um todo.
: influncia (%) da energia de curvatura no sistema como um todo.
: influncia (%) da energia da imagem no sistema como um todo.
Na prtica, a tcnica de contorno ativo aplicada em uma imagem da seguinte forma:
1. Cria-se um contorno inicial em torno da regio contendo os objetos sob anlise.
2. Definem-se os parmetros , e de acordo com a aplicao;
3. Calculam-se as energias do contorno ativo;
4. Movimenta-se o contorno na direo de minimizao da energia.
Os passos 3 e 4 so repetidos indefinidamente at que o contorno ativo atinja uma posio
de equilbrio. A Fig. 4.20 apresenta um exemplo de aplicao utilizando contornos ativos.

a) Estado Inicial. b) Clculo da Energia. c) Resultado Final.
Fig. 4.20: Exemplo de Aplicao Utilizando-se Contornos Ativos.
No captulo 7, descreve-se a aplicao dos algoritmos de processamento de imagens,
apresentados neste captulo, no sistema de medio de desgaste de ferramenta. O prximo captulo
(cap. 5) discute o sistema de identificao de formas aplicado neste projeto para a classificao do
tipo de desgaste sofrido pela ferramenta de corte.
76

_________________________________________________________________________________________
5 SISTEMA DE IDENTIFICAO DE FORMAS
Um sistema de identificao de objetos eficiente foi desenvolvido no projeto RAP
(Reconhecimento Automtico de Peas) [11, 56]. Este mtodo utiliza o contorno do objeto em
conjunto com uma Rede Neural para efetuar a sua identificao.
No projeto RAP, esta tcnica era utilizada para identificar objetos para que um Rob
pudesse manipul-los corretamente. Esta tcnica ser empregada neste projeto para realizar a
classificao do desgaste sofrido pela ferramenta de corte.
Neste captulo, apresenta-se esta tcnica de forma resumida. Maiores informaes podem
ser obtidas em [11, 56].
5.1 INTRODUO AO PROJETO RAP
O projeto RAP [11, 56] foi proposto com o intuito de desenvolver um sistema de viso
empregvel em robs e clulas de manufatura inteligentes. O objetivo principal do projeto RAP era
o desenvolvimento de um software baseado em Redes Neurais Artificiais (RNA) [2, 12, 18, 36, 66,
67] que fosse capaz de identificar peas e seus componentes (features), bem como determinar as
suas dimenses (como o seu permetro) e a sua posio na imagem (translao e rotao da pea
em relao ao sistema de coordenadas da cmera).
A inteno era acoplar o sistema de viso a um rob (ver Fig. 5.1), de forma que este
pudesse atuar de forma inteligente em uma clula flexvel de manufatura (FMC), realizando tarefas
mais complexas com maior preciso, flexibilidade e autonomia.

Fig. 5.1: Rob com o Sistema de Viso (Foto Tirada no Stand da UFSC na Fenasoft98).
O comportamento do sistema de viso consiste, basicamente, das seguintes etapas:
1. coletar imagens das peas atravs de uma cmera CCD monocromtica;
2. ressaltar os objetos na imagem atravs de tcnicas de threshold;
77

_________________________________________________________________________________________
3. detectar os contornos que definem os objetos [1];
4. processar os contornos a fim de calcular a posio, orientao e permetro dos objetos;
5. analisar os contornos atravs da transformada discreta de Fourier (clculo dos
descritores de Fourier [44, 72]), a fim de gerar vetores que caracterizam estes
contornos;
6. reconhecer os contornos, atravs dos vetores calculados anteriormente, empregando-se
Redes Neurais Artificiais [39];
7. enviar os resultados para o sistema de controle do rob, utilizando-se o protocolo de
comunicao TCP/IP.
As etapas 1, 2, 3 e 4 tambm so empregadas nesta aplicao, tendo sido descritas nos
captulos anteriores. O resultado da medio do desgaste da ferramenta tambm ser enviado para o
sistema de superviso do processo de fabricao atravs do protocolo de comunicao TCP/IP.
Entretanto, a tecnologia TCP/IP est difundida no mundo inteiro, sendo o protocolo de
comunicao empregado na internet. Desta forma, existe uma vasta literatura a respeito deste
protocolo que, por isso, no ser descrito neste documento. Por fim, apresentar-se-o aqui,
detalhadamente, as etapas 5 e 6, abordando a anlise de contornos por Sries de Fourier e o
reconhecimento destes por Redes Neurais.
5.2 ANLISE DE CONTORNOS POR SRIES DE FOURIER
Uma vez que os contornos foram detectados (ver item 4.9), estes so armazenados em
vetores bidimensionais (x, y) contendo os seus respectivos pontos.
Aplicando-se, por exemplo, o algoritmo de clculo de contorno no objeto da Fig. 5.2,
obtm-se o seguinte vetor de pontos:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { } 4 , 3 5 , 3 6 , 4 6 , 5 6 , 6 5 , 6 4 , 6 3 , 6 3 , 5 3 , 4 3 , 3
1
C (eq. 5.1)

Fig. 5.2: Exemplo de uma Imagem com os Contornos Destacados.
Considerando-se o ndice de cada ponto do contorno calculado como o tempo t (analogia) e
o ponto correspondente (x,y) como o resultado de uma funo complexa Y(t), pode-se ento
78

_________________________________________________________________________________________
interpretar o contorno de um objeto como sendo um sinal peridico discreto no tempo. Ou seja,
pode-se definir um contorno pela equao:
; ) (
) ( ); (
y j x t Y
t ondeY t Y Contorno
+

(eq. 5.2)
Em notao complexa, as sries de Fourier [72] e os seus coeficientes podem ser escritos
como:
n
l
t n
j
n
e c t F ); . ( ) (
) (

(eq. 5.3)
; ) ). ( (
2
1
) (
l
l
l
t n
j
n
dt e t F
l
c

(eq. 5.4)
Considerando-se o perodo da funo como sendo T (T = 2l), pode-se escrever a funo
F(t) na forma:
F(m) = x(m) + j y(m); (eq. 5.5)
com 1 t l.
Desta forma, obtm-se os coeficientes da forma discreta da Transformada de Fourier (DFT)
[72] para 0 k (T-1) dados por:
; ]. [
1
; ]. [
1
1
)
2
(
] [
1
)
2
(
] [
T
m
T
m k
j
k
T
m
T
m k
j
k
e m y
T
e m x
T

(eq. 5.6)
Neste momento, apresenta-se o primeiro resultado fornecido pelo clculo da DFT [11].
Analisando-se os coeficientes
[0]
e
[0]
, nota-se que estes compem o centride do contorno
representado for F(m), ou seja, o ponto P
0
(
[0] ,
[0]
) indicar a posio do centride do objeto em
relao referncia da cmera.
Definem-se os Descritores de Fourier a partir do mdulo dos coeficientes de Fourier (eq.
5.7). Os descritores so utilizados para a identificao inteligente dos objetos [39] utilizados em
conjunto com as Redes Neurais, pois estes so invariantes com a rotao e translao do objeto e
conseguem caracterizar de forma eficiente os seus contornos. Os Descritores de Fourier so
utilizados no sistema de viso como os vetores de entrada para a Rede Neural. A seguir, apresenta-
se a equao que calcula os descritores de Fourier:
79

_________________________________________________________________________________________
;
; | | | |
] 1 [
] [
] [
2
] [
2
] [ ] [
r
r
s
r
k
k
k k k
+
(eq. 5.7)
onde
r
[k]
: descritor invariante com a translao e rotao do objeto;
s
[k]
: descritor invariante com a translao, rotao e com a dimenso do objeto, usado
quando se deseja caracterizar objetos independentemente da dimenso.
R : vetor contendo todos os descritores de Fourier r
[k]
;
S : vetor contendo todos os descritores de Fourier s
[k]
;
Baseado em uma anlise emprica, percebeu-se tambm que o primeiro descritor de Fourier
r
[1]
diretamente proporcional ao permetro do objeto [11], ou seja, existe uma constante

que
relaciona o descritor de Fourier r
[1]
com o permetro do contorno. Em uma aplicao prtica, isto ,
colocando-se um contorno com permetro conhecido sob a cmera, pode-se calcular esta constante

e, assim, calcular o permetro de qualquer outro contorno. Outra aplicao importante na
robtica, pois uma variao no permetro do objeto pode ser utilizada para estimar a variao do
posicionamento do rob em relao ao eixo vertical associado ao seu sistema de referncia inercial
(variao da altura).
Pode-se, ainda, calcular o ngulo de rotao de um contorno a partir dos coeficientes de
Fourier que o representam. Esta tcnica no ser apresentada aqui, mas pode ser analisada em
detalhe em [11].
5.3 NORMALIZAO DOS DESCRITORES DE FOURIER DO CONTORNO
Aps o clculo dos descritores de Fourier (eq. 5.7), faz-se necessrio transformar o
resultado gerado (vetor S) em um dado que possa ser corretamente analisado pela RNA, isto , um
vetor cujo valor de todos seus componentes estejam no intervalo (regio linear do neurnio
artificial [36]) entre 0,01 e 0,99.
Existem vrios procedimentos para efetuar esta normalizao. Um exemplo seria dividir
todos os termos por um valor mximo (limite superior), garantindo que nunca ser obtido um termo
maior que o limite superior.
Analisando-se a Fig. 5.3, que apresenta um resultado tpico dos descritores de Fourier
aplicados ao contorno de um objeto (colunas mais claras), percebe-se que normalizando o resultado
com o procedimento acima descrito, obter-se-ia uma boa normalizao para os primeiros termos,
mas no para os demais. Isto acontece devido ao resultado da DFT decrescer exponencialmente
80

_________________________________________________________________________________________
com o ndice do coeficiente, implicando que os ltimos termos da transformada, que j eram
pequenos (em geral menores que 0,5), acabam tornando-se infinitesimais aps a normalizao. Este
procedimento acaba por saturar os neurnios que recebem estes termos como entrada, o que exige
um maior perodo de processamento durante o treinamento da RNA (nmero maior de iteraes do
algoritmo de treinamento).
Baseado em dados experimentais, percebeu-se a possibilidade de limitar a curva resultante
da DFT da borda por uma exponencial (x). Atravs de uma anlise emprica, conclui-se que
dificilmente obter-se- um exemplo (ou um contorno) onde f(x) (que descreve os coeficientes de
Fourier) seja maior que esta determinada funo (x). A idia bsica consiste em limitar
superiormente o resultado da DFT da borda por uma exponencial, lembrando-se que esta
normalizao somente ser vlida se esta condio for atendida. Posteriormente, dividem-se os
descritores de Fourier pelos correspondentes valores resultantes da exponencial.
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig. 5.3: Ilustrao dos Descritores de Fourier (ao Fundo) e de um Tipo de Normalizao.
Baseado em um estudo emprico e analisando-se vrios casos, determinou-se uma
exponencial que desempenha de forma satisfatria esta funo:
; 8 , 1
5 , 1 6 , 0
9
) (
+
x
x (eq. 5.8)
Onde x o ndice do coeficiente da DFT da borda.
O resultado desta funo em comparao com o resultado da DFT da borda do objeto pode
ser verificado na Fig. 5.3. Na figura, apresenta-se a funo que limita superiormente o resultado
dos descritores de Fourier do contorno ( (x) em colunas escuras e f(x) em colunas claras).
A idia gerar um ganho (x) que normalize os descritores de Fourier de acordo com o
ndice do coeficiente (x). Chamando-se a entrada normalizada da RNA de g(x), obtm-se:
81

_________________________________________________________________________________________
;
) (
1
) (
); ( ) (
) (
) (
) (
x
x
x x f
x
x f
x g

(eq. 5.9)
Como (x) s depende do ndice do coeficiente (x) e no do resultado da DFT, esta
normalizao vlida, ou seja, ela no afeta a qualidade da informao fornecida pela DFT e, sim,
a maneira como esta apresentada. Matematicamente, esta transformao uma transformao
linear do espao de vetores dos descritores de Fourier para um espao normalizado.
5.4 RECONHECIMENTO POR REDES NEURAIS
O reconhecimento dos contornos previamente identificados realizado atravs de Redes
Neurais Artificiais (RNA). Redes Neurais so empregadas em diversos tipos de aplicaes,
destacando-se a capacidade de aprender e adaptar-se em ambientes complexo. Algumas das
aplicaes conhecidas so: controle adaptativo, identificao de padres, ajuste de controladores e
a modelagem de sistemas. Uma descrio detalhada pode ser obtida na literatura sugerida [2, 12,
18, 36, 66, 67].
Para o reconhecimento emprega-se uma RNA feedforward com uma camada interna (ver
Fig. 5.4), composta de neurnios com funo de ativao do tipo sigmide, onde o nmero de
neurnios na camada de entrada corresponde ao nmero de coeficientes de Fourier utilizados e o
nmero de neurnios na camada de sada ao nmero de tipos de contornos diferentes a serem
identificados. No existe um mtodo preciso para definir o nmero de neurnios na camada de
entrada. Contudo, uma regra emprica que vem demonstrando resultados satisfatrios nesta
aplicao a utilizao de um nmero de neurnios 50% maior que o da camada de sada. Nesta
configurao, a RNA recebe como entrada os descritores de Fourier normalizados e, na camada de
sada, o neurnio correspondente quele contorno ser ativado.

Fig. 5.4: Topologia Tpica de uma Rede Neural Artifical.
82

_________________________________________________________________________________________
Para o treinamento pode-se aplicar o algoritmo Backpropagation. No contexto do projeto
RAP, utilizando este algoritmo em conjunto com a normalizao dos descritores de Fourier obteve-
se um tempo de treinamento, em um microcomputador do tipo PC Pentium de 300 MHz, da ordem
de um minuto para o aprendizado de quatro objetos diferentes. Com a utilizao de algoritmos
velozes de aprendizado [2, 66, 67] como o Resilientpropagation e o Quickpropagation obteve-se a
reduo deste tempo de treinamento para a ordem de 20 segundos.
5.5 TESTE DO SISTEMA DE IDENTIFICAO DE FORMAS
O reconhecimento das peas, no projeto RAP, foi implementado aplicando-se uma
estratgia baseada em features. Primeiramente, identifica-se o contorno externo da pea com uma
RNA de acordo com a metodologia proposta e, posteriormente, identificam-se os contornos
internos (features) que compem a pea. Esta estratgia permite grande flexibilidade na
manipulao dos resultados, sendo muito til em tarefas de controle de qualidade e montagem.
A Fig. 5.6 apresenta os contornos calculados a partir da imagem da Fig. 5.5. A Fig. 5.6
apresenta, tambm, os resultados relativos determinao da posio e da orientao dos
contornos. Estes contornos so, ento, analisados segundo esta estratgia baseada em features, da
qual obtm-se o reconhecimento da pea.

Fig. 5.5: Imagem Adquirida da Pea Pallet pelo Software RAP.
Esta estratgia foi testada no projeto RAP atravs da identificao de um conjunto de
quatro peas distintas utilizando-se, desta vez, um computador pessoal (PC) com um processador
de 100 MHz. Este conjunto de peas aborda quatro tipos contornos externos e quatro tipos
contornos internos distintos. Utilizando-se o algoritmo Quickpropagation, obteve-se um tempo de
treinamento, para um erro da rede menor que 0,0003, de 75,3 segundos para os contorno externos e
de 234,5 segundos para os contornos internos. Foram coletados oito exemplos de cada pea, sendo
que a taxa de acerto, para o posterior reconhecimento (20 tentativas para cada pea) foi de 100%.
Os ensaios foram realizados em dois dias diferentes, um dia no perodo noturno e outro no perodo
83

_________________________________________________________________________________________
vespertino, sendo que os exemplos para o treinamento da rede foram coletados apenas no primeiro
dia. Note que a rede obteve 100% de acerto mesmo sob luminosidade varivel do ambiente,
comprovando a sua robustez. Uma das peas utilizadas (pallet) teve o seu permetro analisado
por possuir um permetro conhecido (270 mm). Aps as 20 tentativas obteve-se uma mdia de
270,1 mm, com desvio padro de 2 mm.

Fig. 5.6: Contornos Calculados.
Atravs deste ensaio, conclui-se que o emprego da Transformada Discreta de Fourier
(DFT) em conjunto com as RNA no processamento da imagem demonstrou ser uma ferramenta
muito poderosa. Muitos resultados puderam ser obtidos diretamente da interpretao dos
coeficientes de Fourier, como a posio, o permetro e a orientao dos objetos. Pelo fato da DFT
fornecer vetores de entrada para as RNA com informaes sobre os contornos, sendo estes
independentes da rotao e translao do contorno, as RNA puderam ser implementadas com uma
estrutura bem menor (nmero menor de neurnios), acelerando o treinamento e melhorando a
qualidade do reconhecimento dos padres. Isto justifica os excelentes tempos de treinamento
obtidos. Comparando-se os algoritmos de treinamento, concluiu-se que o Quickpropagation
apresenta o melhor desempenho em termos de velocidade de treinamento e taxa de reconheci-
mento. O Resilientpropagation apresenta uma velocidade de treinamento melhor, entretanto
apresenta deficincia em termos de robustez dos resultados gerados pela rede.
Em suma, conclui-se que esta uma tcnica robusta e eficiente para a identificao de
formas a partir dos contornos de um objeto. Por esta razo, esta tcnica foi utilizada neste projeto
para a classificao do tipo de desgaste apresentado pela ferramenta de corte. Os resultados do
emprego desta metodologia esto apresentados no captulo 7.
Para o desenvolvimento do aplicativo de medio e classificao automtica do desgaste de
flanco, foi necessria a implementao de uma biblioteca de software. Esta descrita no captulo
seguinte (cap. 6).
84

_________________________________________________________________________________________
6 A BIBLIOTECA DE SOFTWARE S2ILIB
No desenvolvimento deste projeto, faz-se necessria a implementao em software de
diversas estruturas e algoritmos. Algumas destas estruturas e algoritmos so comuns a diferentes
tipos de aplicao. Desta forma, torna-se interessante implementar o software deste projeto de
forma modular, permitindo que estes componentes possam ser reaproveitados em outros projetos.
A partir da concluso da verso 1.0 do Projeto RAP, o grupo de pesquisa S2i comeou a investir na
idia da construo de uma biblioteca de processamento de imagens e sinais digitais, denominada
S2iLib [49]. Esta biblioteca foi planejada para conter mecanismos bsicos de um sistema de viso,
alm de estruturas especializadas, permitindo que novas aplicaes sejam construdas rapidamente.
Seguindo este raciocnio, vrios componentes deste aplicativo foram implementados como
mdulos da biblioteca S2iLib. Neste captulo, apresentar-se-, superficialmente, a biblioteca de
software S2iLib, enfocando os mdulos que foram desenvolvidos para atenderem as necessidades
deste projeto.
6.1 OBJETIVOS DA BIBLIOTECA S2ILIB
O objetivo principal da biblioteca S2iLib , justamente, a elaborao de uma biblioteca
orientada a objetos para processamento de sinais e sistemas de viso, de modo que os aplicativos
desenvolvidos pelo grupo de pesquisa possam ser construdos em cima desta plataforma, reduzindo
o tempo de desenvolvimento e obtendo, como resultado, uma tecnologia bem prxima de um
produto final.
Esta biblioteca est sendo desenvolvida segundo a filosofia de software livre [20, 40], i.e.,
o software gerado totalmente livre, estando a disposio de qualquer pessoa para testar, usar, ler o
cdigo-fonte, modificar, vender e redistribuir.
Devido experincia adquirida no desenvolvimento de projetos de software, o grupo tem
conscincia da importncia de um desenvolvimento utilizando os conceitos de engenharia de
software [63]. Portanto, a qualidade deve ser priorizada em relao quantidade ou ao tempo de
projeto sem, entretanto, perder o foco nas aplicaes em desenvolvimento no grupo.
De forma mais detalhada, a biblioteca S2iLib procura atingir as seguintes metas:
possuir clareza e organizao nos cdigos fontes;
permitir a sua fcil reutilizao;
propiciar solues robustas;
facilitar a criao de novos aplicativos;
comportar futuras modificaes;
85

_________________________________________________________________________________________
possuir um bom desempenho em velocidade de processamento, permitindo o seu uso
em aplicaes em tempo real;
ser compatvel com os sistemas operacionais Linux e Windows;
fornecer todas as estruturas bsicas para a gerao de qualquer sistema de viso,
enfocando os projetos atualmente desenvolvidos pelo grupo;
gerar cdigos seguros e confiveis, implementando tcnicas de gerenciamento de erros;
possuir uma documentao clara, precisa, confivel e didtica;
possuir interfaces padronizadas e bem definidas, que permitam, futuramente, a
reutilizao dos mdulos e sua ampliao, sem alterar a sua interface;
permitir a criao de novos aplicativos de sistemas de viso em um curto perodo de
tempo;
permitir que pesquisadores utilizem a estrutura bsica da biblioteca nos projetos de
pesquisa, reduzindo o tempo necessrio para a execuo do projeto e facilitando a
transformao do conhecimento em tecnologia;
permitir que sejam ministradas aulas utilizando a biblioteca como ferramenta para
ensinar conceitos na rea de sistema de viso e realizar ensaios prticos com os alunos,
tanto em nvel de graduao como em ps-graduao;
permitir que profissionais utilizem-na em suas aplicaes, seja ela qual for,
contribuindo dessa forma com o avano tecnolgico do pas.
6.2 ESTRATGIA DE DESENVOLVIMENTO
Para atingir tais objetivos, o grupo vem utilizando as estratgias de desenvolvimento
apresentadas nesta seo.
6.2.1 SOFTWARE LIVRE
Escolheu-se a ideologia software livre [20, 40] devido ao baixo custo e porque o grupo
acredita que o cdigo-fonte uma forma de documentao de conhecimento e, por isso, deve ser
pblico, gratuito e de qualidade, isto , compartilhado. No se deve entender software como um
produto, mas sim, como um servio. Muitas empresas tm sobrevivido no mercado atual com esta
filosofia. Considerando que um software um servio e no um produto, pode-se disponibilizar o
seu cdigo-fonte para a comunidade. Assim, vrios programadores passam a se interessar pelo
produto, auxiliando no seu desenvolvimento e teste, o que resulta em um rpido desenvolvimento
deste. Em um pas em desenvolvimento como o Brasil, onde existe uma grande carncia
tecnolgica, de vital importncia que as universidades criem novas tecnologias e disponibilizem
86

_________________________________________________________________________________________
este conhecimento para o maior grupo de pessoas possvel. Outra vantagem direta o custo baixo
em relao a bibliotecas comerciais. Neste sentido, optou-se por desenvolver a biblioteca segundo a
regras de software livre definidas pela GNU [20].
6.2.2 BIBLIOTECAS DA INTEL
A Intel oferece um conjunto de bibliotecas gratuitas para: sistemas de viso [29],
processamento de imagens [26], reconhecimento de padres [30], processamento de sinais [31] e
de operaes matemticas [28]. Todas as bibliotecas foram desenvolvidas na linguagem
computacional C, otimizadas para os processadores Intel (no entanto, estas podem ser executadas
em processadores clone como os da famlia AMD) e suportam o ambiente Windows e o ambiente
Unix. A biblioteca do S2i utiliza as bibliotecas da Intel como base, de forma a reduzir o tempo de
desenvolvimento e criar bibliotecas com alto desempenho para aplicaes tempo-real, ressaltando a
importncia da biblioteca da Intel estar otimizada para o conjunto de instrues em assembly de
seus processadores. A idia consiste em aproveitar todos os recursos oferecidos pela Intel sem
limitar a biblioteca por estes recursos, ou seja, caso alguma funcionalidade no esteja
disponibilizada pela biblioteca da Intel, esta ser desenvolvida pelo grupo de pesquisa S2i.
6.2.3 PLATAFORMA WINDOWS E LINUX
Buscar-se- uma programao genrica para, alm de atender a ideologia de software
livre, abranger um maior nmero de usurios e mercados. Neste sentido, a biblioteca ser
direcionada para as plataformas Windows e Linux, atendendo a maior parte das aplicaes.
6.2.4 METODOLOGIA DE DESENVOLVIMENTO DE SOFTWARE
Desenvolver software com metodologia uma escolha difcil. Muitas vezes necessrio
priorizar o benefcio do grupo em detrimento do desenvolvimento do prprio projeto. Os primeiros
projetos requerem um tempo grande de desenvolvimento, uma vez que a biblioteca praticamente
inexiste. medida que os projetos vo sendo concludos, a biblioteca vai tomando corpo e o
desenvolvimento de novos aplicativos torna-se mais rpido.
Cada mdulo da biblioteca desenvolvido em etapas, segundo uma metodologia estudada
e aprovada pelo grupo. Cada mdulo, ou parte de um mdulo, ser implementado por um ou mais
componentes do grupo, seguindo os seguintes passos:
1. Requisitos: descrever os requisitos do mdulo;
2. Anlise: anlise detalhada dos requisitos, apresentando uma estratgia para atingir os
requisitos propostos;
3. Modelagem: modelagem das classes que compem o mdulo;
4. Implementao: implementao do cdigo-fonte planejado na fase anterior;
87

_________________________________________________________________________________________
5. Testes: testes prticos para corrigir e avaliar o mdulo;
6. Documentao: documentao do desenvolvimento do projeto e manuais do usurio.
Esta metodologia segue a metodologia de desenvolvimento de softwares orientados a
objetos Unified Modeling Language (UML, [6]). Cada etapa do desenvolvimento est associada a
diagramas e modelos gerados segundo a metodologia UML.
Todas as fases do desenvolvimento so registradas em um documento no padro html.
Assim, cada mdulo da biblioteca possui uma home-page descrevendo detalhadamente o seu
processo de desenvolvimento. Esta estratgia facilita a interao entre os desenvolvedores da
biblioteca que, atravs da internet, podem interagir independentemente do local de trabalho (seja
em casa, na universidade ou at fora do pas). A Fig. 6.1 mostra um exemplo de documentao.

Fig. 6.1: Exemplo de Documentao de um Mdulo da Biblioteca.
6.2.5 LINGUAGEM C/C++
O uso das linguagens C/C++ [75] imprescindvel devido aos requisitos tempo-real dos
sistemas de viso, uma vez que esta proporciona um controle maior da execuo do aplicativo,
garantindo assim que os requisitos tempo-real so atendidos. Outras vantagens desta linguagem
so: portabilidade para diferentes tipos de plataformas, suporte a orientao a objetos,
88

_________________________________________________________________________________________
manutenibilidade, flexibilidade, vasta documentao disponvel e grande quantidade de
ferramentas disponveis de apoio ao desenvolvimento.
6.2.6 FERRAMENTAS DE DESENVOLVIMENTO
As seguintes ferramentas so utilizadas no desenvolvimento desta biblioteca:
Sistema Operacional: Windows 2000 with Service Pack 2 e Linux Suse 7.0;
Compilador C++: Visual C++ 6.0 e GCC Linux;
Editor de Textos: StarOffice 5.2 e MSOffice 2000;
Documentao Automtica de Cdigo-Fonte: Doxygen 1.2.11.1;
Desenho Vetorial: Proxy Designer 1.01;
Gerente de Verso de Cdigo-Fonte: CVS + Tortoise 0.43;
Desenho de Grafos e Autmatos: Graphviz 1.7c;
Gerenciamento de Projeto de Software Livre: Source Forge.
Note-se que a maioria dos aplicativos utilizados so Freeware [20], compatibilizando com
a inteno de desenvolver softwares livres, genricos e com baixo custo de desenvolvimento. O
desenvolvimento da biblioteca gerenciado pelo Source Forge, assim sendo, qualquer pessoa pode
acessar as ltimas verses da biblioteca atravs do site do projeto [76].
6.3 MDULOS DA BIBLIOTECA S2ILIB
Aqui sero apresentados os mdulos da biblioteca S2iLib, desenvolvidos no contexto deste
projeto. Convm ressaltar, entretanto, que em todos os mdulos houve a participao do autor, mas
este no realizou as implementaes dos mdulos sozinho. Todo o trabalho aqui apresentado o
resultado do desenvolvimento de uma equipe de programadores que integram o grupo de pesquisa
S2i.
6.3.1 S2IIMAGE
O primeiro passo na criao de um aplicativo para sistemas de viso a representao de
imagens. Este mdulo foi desenvolvido com o objetivo de representar imagens (ou partes de
imagens, denominadas ROI) no formato mais genrico possvel. Ele fornece um conjunto de
classes que representam imagens e pixels e um conjunto bsico de operaes para inicializar e
manipular estas imagens. A Fig. 6.2 mostra a modelagem UML deste mdulo.
Este mdulo implementa as regies de interesse (ROI) definidas no item 4.1, todas as
operaes bsicas definidas no item 4.2 e, tambm, as operaes geomtricas definidas em 4.3.
Outra caracterstica muito importante que esta representao suporta imagens com qualquer
89

_________________________________________________________________________________________
dimenso, nmero de cores (at com mais de 3 cores) e resoluo por pixel (por exemplo, 1 bit por
pixel, 8 bits por pixel, 16 bits por pixel e 32 bits por pixel).
Alm das funcionalidades descritas acima, o mdulo suporta tambm operaes de
armazenamento de imagens em disco rgido (leitura e escrita de arquivos no formato bitmap -
BMP). O mdulo oferece, ainda, funes para desenhar a imagem no monitor do usurio.

Fig. 6.2: Modelagem do Mdulo S2iImage.
O mdulo implementa ainda um algoritmo de acesso rpido a pixels da imagem,
armazenando um ponteiro para cada linha da matriz de forma a otimizar o processo de busca. A
Fig. 6.3 apresenta uma ilustrao deste mtodo.

a) Imagem com Ponteiros no Incio da Matriz. b)Imagem com Ponteiros no Incio de Cada Linha.

Fig. 6.3: Ilustrao do Mtodo de Acesso Rpido a Pixels da Imagem.
A Fig. 6.4a apresenta uma imagem construda utilizando a biblioteca S2iImage. Nesta
imagem, houve a criao de uma ROI primria, que desenhada sobre a imagem. Na Fig. 6.4b,
esta imagem sofre uma transformao geomtrica, mas a ROI permanece intacta pois esta no
utiliza a mesma matriz de dados que a imagem original, i.e., esta um ROI primria.
90

_________________________________________________________________________________________

a) Imagem Normal com ROI Primria (Regio
Branca).
b) Imagem aps uma Transformao
Geomtrica, no Aplicada ROI.
Fig. 6.4: Exemplo de Utilizao da Biblioteca S2iImage.
6.3.2 S2INEURAL
No projeto RAP foi desenvolvida uma biblioteca de Redes Neurais [18] prpria para o
projeto. Aps a concluso do projeto, optou-se em transformar a biblioteca desenvolvida em um
projeto prprio, aumentando a qualidade da biblioteca e tornando-a um software livre. Desta forma,
portou-se a biblioteca para o sistema operacional Linux e ampliou-se as topologias de Redes
Neurais implementadas.
A Fig. 6.5 apresenta a modelagem UML do mdulo de Redes Neurais. Note-se que o
modelo bastante genrico, permitindo que diferentes topologias de Redes Neurais sejam
implementadas.
91

_________________________________________________________________________________________

Fig. 6.5: Modelagem do Mdulo S2iNeural.
A seguir, destacam-se as principais caractersticas da biblioteca:
92

_________________________________________________________________________________________
permite a criao de Redes Neurais com qualquer nmero de neurnios ou camadas;
permite a criao de Redes Neurais mistas, i.e., composta por diferentes tipos de
camadas;
os neurnios podem ser criados com 4 tipos de funo de ativao:
o Funo de Ativao Binria;
o Funo de Ativao Linear;
o Funo de Ativao Sigmide;
o Funo de Ativao Tangente-Sigmide.
disponibiliza ainda outros 2 tipos especiais de neurnios, utilizados em Redes Neurais
do tipo Counterpropagation:
o Neurnio Instar;
o Neurnio Outstar;
permite a criao de Redes Neurais do tipo Feedfoward, empregando os seguintes
tipos de algoritmo de treinamento:
o Backpropagation;
o Batch Backpropagation;
o Resilientpropagation;
o Quickpropagation;
permite a criao de Redes Neurais do tipo Counterpropagation;
permite a criao de Redes Neurais do tipo Self-Organizing Maps (SOM);
fornece servio de normalizao automtica do vetor de entrada da Rede Neural,
considerando os valores mximos e mnimos relacionados com cada entrada da rede. O
mtodo utilizado o da normalizao linear;
gerencia o banco de dados contendo os exemplos fornecidos para o treinamento,
salvando os dados no disco rgido;
armazena a arquitetura da Rede Neural em disco rgido;
compatvel com os sistemas operacionais Linux e Windows;
Atualmente, as seguintes topologias de Redes Neurais esto sendo implementadas:
Redes Neurais BAM (Bidirectional Associative Memory);
Redes Neurais Kohonen;
Redes Neurais Hopfield;
93

_________________________________________________________________________________________
Todas as topologias de Redes Neurais foram testadas a partir de programas de
demonstrao.
6.3.3 S2IINTERPOL
O algoritmo de interpolao linear, apresentado no item 4.7.1, foi implementado na forma
de um mdulo da biblioteca, o S2iInterpol. Este mdulo possui apenas uma classe (ver Fig. 6.6a),
denominada S2iLine, pois este implementa apenas a interpolao de pontos por uma reta.
-A Fig. 6.6 ilustra algumas aplicaes de interpolao linear utilizando o mdulo. Percebe-
se que o problema de impreciso quando o ngulo da reta fica prximo a 90 foi resolvido
apropriadamente.

a) Modelo. b) Exemplo de Interpolao. c) Exemplo com ngulo da Reta 90.

Fig. 6.6: Ilustrao do Mdulo S2iInterpol.
6.3.4 S2ITIME
O mdulo S2iTime foi desenvolvido como uma ferramenta capaz de medir o tempo de
processamento de uma operao ou rotina computacional com preciso da ordem de
microssegundo. Outra caracterstica importante que este mdulo pode ser utilizado para gerar
delays (pulsos) com preciso, muito til para a sincronizao com o hardware dos sistemas de
viso. Este mdulo teve que ser criado, pois o sistema operacional no oferecia este servio de
forma clara e precisa.
A Fig. 6.7 apresenta a modelagem do mdulo, contendo apenas uma classe S2iTime que
implementa todas as funcionalidades.

Fig. 6.7: Modelagem do Mdulo S2iTime.
94

_________________________________________________________________________________________
6.3.5 S2IFOURIER
O mdulo S2iFourier implementa o clculo da Transformada Discreta de Fourier (DFT)
para um sinal complexo peridico (ver item 5.2), podendo ser aplicado a contornos de objetos.
A Fig. 6.8a mostra o diagrama de classes do mdulo. Este contm apenas uma classe, pois
at o presente momento, somente a Transformada Discreta de Fourier para sinais complexos
unidimensionais foi implementada. Futuramente, pretende-se implementar tambm algoritmos para
o clculo da Transformada Rpida de Fourier (FFT) e algoritmos para o clculo da Transformada
de Fourier em sinais bidimensionais (Imagens e Matrizes).
A Fig. 6.8b apresenta um exemplo de aplicao onde a DFT foi usada para analisar um
contorno fechado em uma imagem. No campo inferior da imagem, na Fig. 6.8b, apresenta-se os
descritores de Fourier obtidos para o contorno desenhado no campo superior. No canto inferior da
imagem, apresenta-se o nmero de descritores calculados (100), o ganho do primeiro descritor
(usado para calcular o permetro do objeto) e o tempo de processamento (74 ms) calculado usando-
se o mdulo S2iTime. Nota-se que o tempo de processamento alto para o clculo desta operao.
Entretanto, normalmente utiliza-se somente um nmero de descritores de Fourier igual a 10, o que
reduz o tempo a 7,4 ms. Outro ponto importante que este mdulo no utiliza cdigos otimizados
da Intel para efetuar o clculo da DFT. Futuramente, estes algoritmos otimizados sero integrados a
este mdulo, reduzindo assim o tempo de processamento.

a) Modelo. b) Descritores de Fourier Obtidos a Partir do Contorno Desenhado.
Fig. 6.8: Ilustrao do Mdulo S2iFourier.
95

_________________________________________________________________________________________
6.3.6 S2IWEBCAM
Este mdulo foi desenvolvido a partir de um exemplo disponibilizado pela biblioteca da
Intel, com o intuito de criar uma classe que permita aquisio de imagens utilizando-se WebCam.
Esta classe utiliza a biblioteca Video for Windows (VFW), do sistema operacional Windows.
Este mdulo no foi desenvolvido com a pretenso de criar aplicativos finais, mas para
criar aplicativos de demonstrao de algoritmos e testes de outros mdulos. A Fig. 6.9 apresenta a
modelagem do mdulo e um exemplo de aplicao onde utilizou-se o mdulo para adquirir uma
imagem da ferramenta de corte utilizando-se a Web-Cmera disponvel no S2i.

a) Modelagem. b) Exemplo de Aplicao: Foto de uma Ferramenta de Corte.
Fig. 6.9: Ilustrao do Mdulo S2iWebCam.
No prximo captulo, apresenta-se o sistema de viso projetado para medir e classificar o
desgaste de flanco.
96

_________________________________________________________________________________________
7 O SISTEMA DE MEDIO DE DESGASTE DE FLANCO
Neste captulo, descreve-se o sistema de medio do desgaste de flanco desenvolvido no
contexto deste trabalho.
O sistema foi projetado a partir de testes prticos realizados no Laboratrio de Mecnica de
Preciso (LMP), do Departamento de Engenharia Mecnica (EMC) da Universidade Federal de
Santa Catarina (UFSC). Por esta razo, o sistema aqui descrito estar referenciado com as
condies as quais os ensaios foram realizados.
7.1 O PROJETO PTICO E DE ILUMINAO DO SISTEMA
7.1.1 DEFINIO DOS PARMETROS DO SISTEMA DE VISO
O objetivo primordial do sistema de viso mensurar o desgaste de flanco com uma
preciso desejada de (ver item 3.1.9):
; 10
DES
ObjR (eq. 7.1)
onde
ObjR
DES
: Resoluo do Objeto Desejada (m).
Para os ensaios prticos, foram utilizadas pastilhas de cermica para torneamento do tipo
SNGN CC650 (doadas pela empresa Sandvik Coromant ao LMP). A Fig. 7.1 apresenta uma
ilustrao da ferramenta, descrevendo a sua geometria quadrada.

Fig. 7.1: Ferramenta Utilizada para nos Ensaios de Medio de Desgaste.
No incio dos ensaios de medio, a modelagem matemtica do projeto ptico apresentada
no captulo 3 ainda no havia sido concluda. Por esta razo, os parmetros do sistema de viso
foram definidos de forma experimental (ajuste in locus). O projeto ptico foi direcionado pela
condio de obter um campo de viso com dimenso horizontal da ordem de 2 mm, garantindo que
a resoluo desejada fosse obtida. A partir desta condio, testaram-se diferentes parmetros para a
lente (F), a distncia de trabalho (D
O
) e a distncia do sensor da cmera a lente (D
I
); at encontrar
uma configurao que atingisse a especificao. Quando uma configurao apropriada foi atingida,
esta foi utilizada como padro durante todos os ensaios.
97

_________________________________________________________________________________________
Aqui, entretanto, realizar-se- o processo inverso. A partir dos parmetros desejados,
calcular-se- as especificaes do sistema de viso utilizando a modelagem matemtica
apresentada no captulo 3. Desta forma, seja um campo de viso (obtido nos testes prticos) com as
seguintes dimenses (ver item 3.1.1):
; 463737 , 1
; 047761 , 1
; 397015 , 1
2
mm FOV
mm FOV
mm FOV
A
V
H

(eq. 7.2)
A cmera utilizada para os ensaios foi a cmera Pulnix TM-7CN, n de srie 020649. A
especificao da cmera [65] foi obtida em [80]. Esta uma cmera monocromtica entrelaada
(interlaced), possuindo um sensor CCD de com uma matriz de 768x494 (H x V) pixels. O
tamanho da foto-clula do sensor da cmera 8,4 x 9,8 m. A sensibilidade mnima da cmera de
0.5 Lux. A cmera consegue capturar at 30 quadros por segundo e possui encaixe para lentes do
tipo C-Mount.
A partir das definies realizadas no item 3.1.2, tm-se:
; . 494
; . 768
; 8 , 4
; 4 , 6
; 0 , 8
unid SNum
unid SNum
mm SS
mm SS
mm SS
V
H
V
H
D

(eq. 7.3)
Aplicando-se as equaes (eq. 3.1, eq. 3.2, eq. 3.3 e eq. 3.4), obtm-se os seguintes valores:
; 10 7166 , 9
; 10 33334 , 8
; 10 097166 , 8
; . 379392
; 72 , 30
3
3
2
5
2
mm SPixel
mm SPixel
mm SPixel
unid SNum
mm SS
V
H
Total

(eq. 7.4)
A captura e digitalizao das imagens foram realizadas atravs da placa de aquisio
Matrox Pulsar, com o auxlio do software Matrox Intellicam Interactive verso 2.0. Esta placa de
aquisio digitaliza imagens monocromticas com dimenso de 640x480 pixels e com resoluo de
8 bits por pixel (intensidade luminosa varia de 0 a 255).
Atravs das definies feitas na seo 3.1.3, obtm-se:
; 480
; 640
pixels IS
pixels IS
V
H

(eq. 7.5)
A partir da equao (3.6), calcula-se o tamanho da imagem:
98

_________________________________________________________________________________________
; 307200 480 640 pixels IS

(eq. 7.6)
Considerando o campo de viso calculado em (eq. 7.2) e as equaes (eq. 3.7, eq. 3.8 e eq.
3.9), obtm-se:
; 10 ) 184 , 2 ( 10 773351 , 4
307200
4663737 , 1
; 10 8283 , 2
480
047761 , 1
; 10 18281 , 2
640
397015 , 1
2 6 2 6
3
3
mm
IS
FOV
IPixelSize
mm
IS
FOV
IPixelSize
mm
IS
FOV
IPixelSize
V
V
V
H
H
H

1 (eq. 7.7)
Pode-se notar que a (eq. 3.10) vlida.
A magnitude primria (ver item 3.1.5) calculada, ento, a partir da eq. 3.11:
; 5812 , 4
397015 , 1
4 , 6

H
H
FOV
SS
PMAG (eq. 7.8)
Por sua vez, a magnitude da imagem digital (ver item 3.1.6) calculada pela eq. 3.12:
; 12 , 458
397015 , 1
640

H
H
FOV
IS
MID (eq. 7.9)
A resoluo da cmera (ver item 3.1.9) calculada pela (eq. 3.16):
; 66668 , 16 1000 10 33334 , 8 2 1000 2
3
m SPixel CamR
H

(eq. 7.10)
O que implica na seguinte resoluo do objeto:
; 6381 , 3
5812 , 4
66668 , 16
m
PMAG
CamR
ObjR (eq. 7.11)
Por outro lado, a resoluo do objeto digitalizado calculada pela (eq. 3.19):
; 3657 , 4
80974 , 445
2000 1000 1 2
m
MID
ObjRDig

(eq. 7.12)
A resoluo do objeto digitalizado indica a resoluo final do sistema, considerando desde
a aquisio da imagem at a sua digitalizao. Esta resoluo indica que toda medio efetuada
atravs deste sistema de viso ter um de erro admissvel de (corresponde a t 1 pixel na imagem):
; 1828 , 2 m Erro t

(eq. 7.13)
A lente utilizada no sistema de viso possui um foco de 50 mm, sendo fabricada pela
empresa Cosmicar. Esta lente possui um comprimento (L
H
) igual 47,4 mm.
; 50 mm F

(eq. 7.14)
; 4 , 47 mm L
H

(eq. 7.15)
99

_________________________________________________________________________________________
No projeto do sistema de viso, utilizaram-se espaadores para afastar a lente da cmera.
Desta forma, as equaes que calculam a distncia de trabalho a partir do foco da lente no se
tornam mais vlidas. Assim sendo, definiu-se qual a distncia de trabalho que o sistema empregar:
; 8 , 46 mm D
O

(eq. 7.16)
Finalmente, calcula-se a distncia da lente ao sensor da cmera atravs da (eq. 3.24):
; 399 , 214 8 , 46 5812 , 4 mm D M D
O I

(eq. 7.17)
Conhecendo o comprimento da lente (eq. 7.15), calcula-se agora o tamanho do espaador
(E
H
) que deve ser adotado:
; 167 4 , 47 399 , 214 mm L DI E
H H

(eq. 7.18)
A Fig. 7.2 apresenta o resultado do projeto ptico. Nesta figura, pode-se visualizar os
parmetros calculados acima. Esta foi a configurao utilizada para o desenvolvimento do sistema
de viso.

Fig. 7.2: Configurao do Sistema de Viso Projetado.
100

_________________________________________________________________________________________
Nesta configurao, a ferramenta posicionada sob a cmera de forma que o plano do
desgaste esteja perpendicular ao eixo ptico.
7.1.2 SELEO DA COR DE FUNDO DA IMAGEM
A seleo da cor de fundo uma etapa importante no projeto. Quatro importantes regies
podem ser destacadas na imagem:
1. ferramenta: rea da imagem que representa a ferramenta de corte;
2. desgaste: regio onde ocorreu o desgaste da ferramenta.
3. fundo: regio que no pertence ferramenta e nem ao desgaste, utilizada para localizar
os contornos da ferramenta.
4. brilho: regio que fica com intensa luminosidade devido reflexo da luz.
A escolha do fundo deve auxiliar na obteno de mximo contraste entre as trs primeiras
regies, tentando, entretanto, reduzir o efeito nocivo provocado pelo brilho. A Fig. 7.3 apresenta
dois exemplos de imagens obtidas com o fundo de cor branca. J a Fig. 7.4 apresenta duas outras
imagens obtidas com fundo de cor preta. Pelas imagens, pode-se notar que o fundo preto se
confunde com a regio da ferramenta, impossibilitando a localizao das bordas da ferramenta e,
por conseqncia, a compreenso da sua geometria. J o fundo branco produz um timo contraste
entre ferramenta e fundo, porm o contraste entre ferramenta e desgaste menor. A perda de
contraste maior, no caso do fundo branco, quanto maior for a iluminao sobre o fundo. Desta
forma, sugere-se que a iluminao incida apenas sobre a ferramenta, iluminando pouco o fundo.
Esta a opo tima. Outras tonalidades de cinza foram testadas, entretanto estas foram
descartadas, pois os tons intermedirios de cinza mesclavam-se com as regies da ferramenta e do
desgaste, piorando o contraste.

a) Ferramenta sem Desgaste. b) Ferramenta com Desgaste.
Fig. 7.3: Exemplo de Imagens Obtidas com Fundo Branco.
101

_________________________________________________________________________________________

a) Ferramenta sem Desgaste. b) Ferramenta com Desgaste.
Fig. 7.4: Exemplo de Imagens Obtidas com Fundo Preto.
7.1.3 SELEO DO SISTEMA DE ILUMINAO
Um conjunto de testes foi realizado para verificar o sistema de iluminao (ver item 3.3)
mais adequado para esta aplicao. Estes testes foram realizados utilizando-se mdulos de
iluminao cedidos pela Pollux e uma fonte de luminosa de fibra ptica, disponvel no LMP. A
tabela a seguir apresenta o resultado da comparao das diferentes tcnicas (ver Tab. 7.1):
Tab. 7.1: Comparao das Diferentes Estratgias de Iluminao.
i Iluminao Vantagem Desvantagens
1 Direcional
Ressalta bastante a regio de
desgaste, quando o feixe
luminoso a atinge formando um
ngulo de 30 a 45 com o plano
de desgaste.
Precisa ser adaptada ao tipo de
geometria de cada ferramenta. Produz
brilhos que prejudicam a deteco do
desgaste.
2
Direcional
Perpendicular
Produz um timo efeito na
deteco do desgaste, dependendo
da geometria da ferramenta.
No funciona com algumas geometrias
(complexas) e requer outra iluminao
para destacar o fundo da ferramenta.
3 Anel Luminoso

Destaca bastante a ferramenta em
relao ao fundo. Produz bons
resultados na deteco do
desgaste, quando o feixe
luminoso paralelo ao eixo
ptico.
Produz muitas regies com brilho,
prejudicando a deteco do desgaste. A
iluminao no uniforme e o centro
fica mal iluminado.
4 Fundo Escuro
Produz resultados melhores que a
luz direcional perpendicular,
principalmente, quando o ngulo
de direo da iluminao um
pouco menor que 90.
Difcil de instalar e requer outra
iluminao para destacar o fundo em
relao ferramenta.
5 Axial Difusa Iluminao uniforme.
No pode ser testada, pela falta de
equipamento apropriado. Porm esta
iluminao produz intenso brilho em
muitas regies indesejadas.
102

_________________________________________________________________________________________
6 Frontal Difusa
Simulada atravs do uso de
lmpadas fluorescentes. Produz
um bom contraste na imagem.
Produz brilhos indesejados.
7
Iluminao de
Fundo
tima para detectar o contorno
externo da ferramenta.
No detecta a regio de desgaste.
8 Linear
tima para gerar um modelo 3D
da ferramenta.
Difcil de controlar. Funciona de forma
anloga a uma varredura de scanner. Por
isso, requer vrias imagens com
diferentes ngulos de ataque e, assim,
um alto tempo de processamento.
9 Dia Nublado
tima para detectar o contorno da
ferramenta.
Produz pouco contraste entre a
ferramenta e a regio de desgaste.
10

Polarizada
til para impedir que iluminaes
de outras fontes influenciem o
sistema.
No produziu o resultado esperado, pois
no evitou a gerao de brilho. O mesmo
feixe luminoso que detecta o desgaste,
gera o brilho. Por isso, esta tcnica no
produziu efeito na melhoria da imagem.

A opo escolhida foi a utilizao da tcnica de iluminao direcional, onde o feixe
luminoso emitido com um ngulo de 35, aproximadamente, com o plano da regio de desgaste.
Esta tcnica destaca bastante a regio desgastada da ferramenta, entretanto produz brilhos
indesejados na imagem. Estes brilhos sero atenuados pelo algoritmo de processamento de
imagem, atravs da comparao de uma ferramenta desgastada com uma ferramenta no
desgastada. A Fig. 7.5 apresenta a tcnica de iluminao adotada neste projeto.

Fig. 7.5: Ilustrao do Tcnica de Iluminao Adotada.
Fonte
Luminosa
Espaador

Lente

Ferramenta
Desgastada

Fundo
Branco
103

_________________________________________________________________________________________
A proposta inicial deste trabalho de mestrado visava utilizar um sistema adaptativo de
iluminao para detectar a regio desgasta de forma tima. Este sistema foi desenvolvido em um
projeto de pesquisa no instituto WZL [83, 84, 85]. Esta tcnica emprega um sistema de iluminao
do tipo anel luminoso (ver item 3.3.3) com uma cmera. A cada iterao do algoritmo, o sistema
ativa um grupo diferente de LED, gerando um grupo de imagens da ferramenta com diferentes
luminosidades. Estas imagens so, ento, processadas por um algoritmo adaptativo para a sua
otimizao. Como resultado desta otimizao, obtm-se a regio de desgaste da ferramenta. A
partir deste resultado, pode-se aferir sobre o desgaste da ferramenta com maior preciso e robustez.
A Fig. 7.6 mostra uma ilustrao deste sistema. Entretanto, no foi possvel produzir um prottipo
deste sistema a tempo de empregar nos ensaios desta dissertao. Assim sendo, esta tcnica dever
ser empregada nos futuros projetos.

Fig. 7.6: Sistema de Iluminao Adaptativo Desenvolvido pelo WZL.
7.2 ALGORITMO DE PROCESSAMENTO DE IMAGENS
Devido presena de brilho na imagem, conseqncia do mtodo de iluminao adotado,
fez-se necessrio o desenvolvimento de um algoritmo de processamento de imagens que
conseguisse minimizar este efeito e, ainda, realizar a deteco do desgaste com qualidade. A
estratgia adotada utiliza a comparao entre uma imagem modelo (sem desgaste) e a imagem da
ferramenta desgastada, para efetuar a correta deteco da regio de desgaste. Nesta seo
apresenta-se o algoritmo desenvolvido. Este algoritmo utiliza as tcnicas de processamento de
imagens apresentada no captulo 4. As tcnicas de processamento de imagens empregadas foram
104

_________________________________________________________________________________________
selecionadas devido ao resultado que estas produzem no tratamento de imagens. Estas so tcnicas
clssicas, amplamente difundidas no meio cientfico e descritas na literatura [17, 21, 22, 24, 26, 27,
28, 29, 30, 31, 32, 33, 34, 35, 38, 45, 53, 59, 60, 61, 64, 68, 71, 76, 79, 82]. Outra vantagem destas
tcnicas que estas esto disponveis na biblioteca de processamento de imagens da INTEL [26,
27, 28, 29, 30, 31, 32]. Desta forma, estas tcnicas encontram-se j implementados em linguagem
C++ de forma otimizada para a linha de processadores da INTEL. O que garante um alto
desempenho em aplicaes de sistemas de viso e uma grande portabilidade (UNIX e Windows).
Por estas razes e buscando gerar uma soluo tecnolgica vivel que possa, realmente, ser
aplicada na indstria, estas tcnicas de processamento de imagens foram utilizadas.
A Fig. 7.7 apresenta o algoritmo de processamento de imagens composto das seguintes
etapas bsicas:
Incio: usurio inicia o programa aplicativo;
Inserir Modelo: o usurio insere uma imagem da ferramenta sem desgaste para ser
utilizada como modelo pelo sistema. Nesta etapa, o usurio deve cuidar para fornecer
um modelo do mesmo tipo que as ferramentas que sero mensuradas;
Inserir Nova Imagem: o usurio insere uma imagem da ferramenta que ser
analisada;
Alinhar Imagem com Modelo: a imagem da ferramenta alinhada com a imagem
modelo, permitindo que estas sejam comparadas, independentemente da rotao e da
translao da ferramenta.
Detectar o Desgaste: aplica-se um conjunto de algoritmos para detectar a regio
desgastada na imagem.
Medir o Desgaste: uma vez que a regio de desgaste foi localizada na imagem, esta
mensurada a partir do seu contorno externo. Nesta etapa, obtm-se os valores do
desgaste de flanco (V
B
) e desgaste de flanco mximo (V
Bmax
).
Classificar o Desgaste: a partir do contorno externo da regio de desgaste, aplica-se o
algoritmo descrito no captulo 6 para classificar o tipo de desgaste da ferramenta.
A aquisio da imagem no realizada de forma automtica pelo sistema, pois a placa de
aquisio de imagens disponvel no LMP de um modelo diferente da placa de aquisio
disponvel no S2i. Desta forma, no houve tempo hbil para realizar um mdulo de software para a
nova placa de aquisio. Por esta razo, as imagens foram adquiridas utilizando o software de
demonstrao da placa de aquisio, Matrox Intellicam Interactive verso 2.0. As imagens
adquiridas so salvas em arquivo no formato bitmap (BMP). Estas imagens so ento utilizadas
105

_________________________________________________________________________________________
pelo aplicativo, desenvolvido no mbito deste trabalho, para efetuar a anlise de desgaste. Destaca-
se, aqui, que o formato bitmap de imagens no denigre a integridade dos dados da imagem, uma
vez que este formato salva as imagens sem aplicar nenhum tipo de algoritmo de compactao.

Fig. 7.7: Algoritmo de Processamento de Imagens.
A seguir, apresentam-se as tcnicas empregadas nas etapas mais importantes deste
algoritmo.
7.2.1 ALGORITMO DE ALINHAMENTO DA IMAGEM
O algoritmo de alinhamento da imagem funciona da seguinte maneira, ilustrada na Fig. 7.8:
Criar ROI na Imagem Modelo: criam-se duas ROIs (Regio de Interesse, ver item
4.1) na imagem modelo, uma no canto superior direito (iniciando no ponto (390, 0),
com largura de 250 e comprimento de 200) e outra no canto inferior direito (iniciando
no ponto (0, 230), com largura de 384 e comprimento de 192);
106

_________________________________________________________________________________________
Detectar a Reta na ROI do Modelo: aplica-se, ento, um conjunto de algoritmos para
detectar a reta principal de cada uma das duas ROIs do modelo. Este algoritmo ser
explicado na seqncia. Com as duas retas calculadas (pois a imagem possui duas
ROIs, cada uma com uma nica reta principal), calcula-se o ponto de interseco das
retas e o ngulo mdio que estas formam com o eixo x da imagem. Estes parmetros
so, ento, armazenados para futura comparao com as retas da imagem atual;
Criar ROI na Imagem Atual: criam-se ROIs idnticas s da imagem modelo, sob a
imagem atual;
Detectar a Reta nesta ROI: utiliza-se ento a mesma tcnica aplicada ao Modelo para
calcular a reta principal de cada uma das ROIs da imagem e, conseqentemente, o
ponto de interseco e o respectivo ngulo mdio com o eixo x;
Comparar a Reta com o Modelo: comparando-se o ponto de interseco das retas no
modelo e na imagem, calcula-se quanto a imagem atual deve ser transladada. Do
mesmo modo, calcula-se o ngulo de rotao da imagem atual atravs dos ngulos
mdios com o eixo x calculados anteriormente;
Rotacionar e Transladar a Imagem: conhecendo-se o ngulo de rotao e os
deslocamentos verticais e horizontais necessrios para posicionar a imagem sobre o
modelo, aplica-se uma transformao linear segundo o mtodo descrito no item 4.3.
Como resultado, tm-se as duas imagens com a mesma posio.
107

_________________________________________________________________________________________

Fig. 7.8: Algoritmo de Alinhamento das Imagens.
A deteco da reta principal em uma ROI realizada pelo seguinte algoritmo:
1. Primeiramente, emprega-se um algoritmo de segmentao piramidal (ver item 4.8) para
separar o fundo da imagem da regio que representa a ferramenta de corte;
2. Em seguida, aplica-se um algoritmo de Threshold Adaptativo (ver item 4.4.1) para
deixar a regio do fundo da imagem com alto contraste em relao a ferramenta;
3. Devido ao brilho da iluminao, formam-se pequenos pontos com alto brilho. Estes
pontos so apagados da imagem atravs da aplicao em seqncia de dois operadores
morfolgicos (ver item 4.6) com um ncleo do tipo n8 de dimenso 3x3: abertura e
fechamento respectivamente.
4. Em seguida, aplica-se outro operador morfolgico para destacar o contorno da
ferramenta em relao regio que define o fundo da imagem. O operador que
produziu melhores resultados foi o Top-Hat utilizando um ncleo idntico ao passo
anterior;
108

_________________________________________________________________________________________
5. Agora, aplica-se um algoritmo de deteco de contornos (ver item 4.9). Os contornos
localizados so armazenados em vetores de pontos;
6. Finalizando o algoritmo, o vetor com maior nmero de pontos considerado a reta
principal presente na ROI. Por isso, aplica-se o mtodo de interpolao linear (ver item
4.7.1) para a reta que melhor representa estes pontos.

Fig. 7.9: Algoritmo de Deteco da Linha Principal Presente em uma ROI.
A Fig. 7.10 mostra um exemplo de aplicao do algoritmo de alinhamento. Na parte
superior, tm-se as imagens do modelo e na parte inferior a imagem da ferramenta desgastada antes
e aps a aplicao do algoritmo. Em pontilhado, aparecem as ROIs criadas no algoritmo. A figura
mostra ainda as retas calculadas. Note que o posicionamento funciona de forma eficiente.
Testou-se tambm a transformada Hough como algoritmo de deteco de retas (ver item
4.7.2), entretanto esta demonstrou ser menos precisa, neste caso, que a interpolao linear direta.
109

_________________________________________________________________________________________
Fig. 7.10: Exemplo da Aplicao do Mtodo de Alinhamento.
7.2.2 ALGORITMO DE DETECO DO DESGASTE
Aps a imagem da ferramenta desgasta ser alinhada com a imagem modelo, prossegue-se
com o algoritmo de deteco da regio desgastada. Este algoritmo funciona da seguinte maneira:
1. Cria-se uma ROI em torno da provvel regio do desgaste. O objetivo desta ROI
evitar que o algoritmo de processamento seja aplicado na imagem inteira, reduzindo,
assim, o tempo de processamento. Esta ROI posicionada utilizando-se como
referncia o ponto de interseco das retas, calculadas no algoritmo de alinhamento;
2. Compara-se a imagem desgastada com a imagem modelo atravs de uma operao de
subtrao de imagens (ver item 4.2). O resultado uma imagem onde os pixels
diferentes nas duas imagens aparecem com alta luminosidade;
3. A imagem resultante da comparao apresenta, em geral, uma grande quantidade de
rudos devido variao da iluminao e a pequenos erros de posicionamento do
algoritmo de alinhamento. Por isso, emprega-se um conjunto de trs diferentes tipos de
filtros para suavizar a imagem: filtro Min (ncleo de convoluo 3x3), filtro de Mdia
(ncleo de convoluo 5x5) e filtro de Gauss (ncleo de convoluo 5x5);

a) Antes do Alinhamento. b) Depois do Alinhamento.
110

_________________________________________________________________________________________
4. Aps a imagem ter sido filtrada, aplica-se o algoritmo de segmentao piramidal. Este
algoritmo segmenta as regies que aparecem mais claras na imagem;
5. Por fim, aplica-se o operador morfolgico de abertura para apagar pequenas regies
indesejadas da imagem, que so resultantes do brilho da iluminao. Ao final, obtm-se
a imagem com a regio de desgaste destacada.

Fig. 7.11: Algoritmo de Deteco da Regio de Desgaste.
A Fig. 7.12 apresenta o resultado da aplicao deste algoritmo na imagem de uma
ferramenta desgasta. Note que grande parte da regio desgastada aparece destacada na imagem
resultante. Entretanto, algumas pequenas reas no aparecem na imagem final. Isto ocorre porque
na imagem modelo estas regies esto destacadas devido ao brilho da iluminao. Este problema,
no entanto, contornado pelo algoritmo de medio, apresentado na prxima seo.
111

_________________________________________________________________________________________

a) Antes de Detectar a Regio de Desgaste. b) Aps Detectar a Regio de Desgate.
Fig. 7.12: Ilustrao do Algoritmo de Deteco da Regio de Desgaste.
7.2.3 ALGORITMO DE MEDIO DO DESGASTE
A partir da regio de desgaste detectada, aplica-se o algoritmo para medir ento o desgaste
de flanco. Esta medio realizada considerando a face da ferramenta como referncia (reta
superior que aparece na imagem Fig. 7.13b). Para garantir que todas as medies considerem esta
reta com referncia, desenha-se a reta na imagem contendo a regio desgastada (reta dupla que
aparece na Fig. 7.13a). Definida-se esta reta de referncia, aplica-se a tcnica de Contornos Ativos
(ver item 4.10) para calcular um contorno que delimita a regio desgastada junto com esta reta.
Com o contorno calculado, calcula-se o desgaste de flanco mximo como sendo a distncia entre o
ponto que limita o contorno superiormente e o ponto que limita o contorno inferiormente. Em
seguida, calcula-se a rea delimitada pelo contorno. O contorno subdivido ento em duas regies
(ver Fig. 7.13b), uma contendo 80% da rea interna do contorno e a outra contendo o restante. O
partir da reta que divide o contorno at o ponto que limita este superiormente, calcula-se ento o
desgaste de flanco. Esta foi, portanto, a estratgia adotada para medir o desgaste de flanco, uma vez
que no foi encontrada na literatura uma definio que permita um clculo exato deste. A Fig. 7.13
apresenta um exemplo de aplicao deste algoritmo. Note que, apesar das regies apagadas devido
ao brilho na imagem modelo, o algoritmo definiu com grande preciso a rea desgastada.

a) Medio na Imagem Processada. b) Resultado Projetado sob a Imagem Original.
Fig. 7.13: Ilustrao do Resultado Obtido na Medio do Desgaste.
112

_________________________________________________________________________________________
A Fig. 7.14 apresenta um resumo com as etapas principais do algoritmo.
Atravs do tamanho do pixel (eq. 7.7), converte-se o valor medido em pixels para o
correspondente valor em micrometros (m).

Fig. 7.14: Algoritmo de Medio do Desgaste.
7.2.4 ALGORITMO DE CLASSIFICAO DO DESGASTE
Assim, o contorno obtido pelo algoritmo de Contornos Ativos (ver item 4.10) utilizado
para a classificao do tipo de desgaste sofrido pela ferramenta, segundo a tabela de tipos de
desgaste apresentada na seo 1.3.2.
Para a classificao, utiliza-se a tcnica descrita no captulo 5. Neste algoritmo, calcula-se
os descritores de Fourier a partir do contorno que delimita a regio desgastada. Os 10 primeiros
descritores so, ento, normalizados e utilizados como entrada para a Rede Neural. Em seguida, a
Rede Neural processa o vetor contendo os descritores de Fourier normalizados. Por fim, a sada da
Rede Neural interpretada para verificar qual o tipo de desgaste sofrido pela ferramenta. Este
algoritmo est sintetizado na Fig. 7.15.
113

_________________________________________________________________________________________

Fig. 7.15: Algoritmo de Classificao do Desgaste por Redes Neurais.
A Rede Neural utilizada do tipo Feedfoward (direta) com apenas uma camada interna de
neurnios. Os neurnios possuem funo de ativao do tipo sigmide. Como, no conjunto de
amostras utilizadas para testar o sistema de medio, existiam apenas dois tipos de desgaste de
ferramenta (desgaste de flanco e quebra da ferramenta), a Rede Neural foi configurada para apenas
classificar estes dois tipos. Desta forma, a Rede Neural possui a seguinte configurao: 10
neurnios na camada de entrada, 4 neurnios na camada interna e 2 neurnios na camada de sada.
A Rede Neural foi treinada, utilizando-se 16 amostras diferentes, atravs do algoritmo de
aprendizado Quickpropagation (ver item 5.4) com taxa de aprendizado igual a 0,12 e parmetro de
momento igual a 0,65. A Rede Neural leva, em mdia 43,505 segundos para aprender a classificar
os dois tipos de desgaste com 16 amostras, utilizando um microprocessador do tipo PC com
processador Pentium II 550 Mhz e 128 MBRAM. Este treinamento realizado em 20.750 iteraes
do algoritmo de aprendizado por lote, obtendo um erro inferior a 2 x 10
-3
.
7.3 SOFTWARE DE MEDIO DO DESGASTE
Para a implementao deste sistema de viso, desenvolveu-se um software para Windows
que implementa as tcnicas descritas neste documento. Este software utiliza todas os mdulos da
biblioteca S2iLib apresentados no captulo 6. Alm destes mdulos, as classes apresentadas na Fig.
7.16 foram desenvolvidas neste projeto:
Classe S2iToolWear: classe que representa um aplicativo para Windows;
114

_________________________________________________________________________________________
Classe S2iMainFrame: classe que implementa a janela principal de um programa
aplicativo;
Classe S2iToolWearDoc: classe que implementa um documento manipulado pelo
aplicativo;
Classe S2iToolWearView: classe que implementa a interface com o usurio. Nesta
classe, foram implementadas as tcnicas descritas neste trabalho, pois ela quem
gerencia todo o processo de medio do desgaste da ferramenta.
Classe S2iDlgTrainWatch: caixa de dilogo utilizada para acompanhar o processo de
aprendizado da Rede Neural, mostrando para o usurio: o erro, o nmero de iterao e
o tempo decorrido durante o treinamento.

Fig. 7.16: Modelagem do Aplicativo S2iToolWear.
Todos os algoritmos descritos neste trabalho foram implementados neste aplicativo. Desta
forma, no necessrio descrever a estrutura detalhada do software, uma vez que as tcnicas
empregadas j foram descritas neste documento.
Na Fig. 7.17 apresenta-se a tela de interface com o usurio. A interface do usurio contm
texto em ingls. Isto foi necessrio, pois este software ser apresentado ao instituto WZL, na
Alemanha, como um dos resultados do projeto de cooperao com a UFSC. Atravs do menu File,
o usurio pode inserir uma imagem ou modelo no aplicativo. Atravs dos botes no canto inferior
esquerdo da tela, o usurio executa o algoritmo de medio e classificao (Fig. 7.7) passo a passo.
As caixas de texto, no centro inferior da tela, apresentam o tamanho de um pixel em m (IPixel) e
o resultado da medio do desgaste respectivamente (V
B
, V
Bmax
e a rea desgastada AV
B
, todos
medidos em m e m
2
). No canto inferior direito, apresenta-se o resultado da classificao do
desgaste e os botes utilizados para adicionar um exemplo ao banco de dados e treinar a Rede
Neural. O quadro no canto superior esquerdo da tela apresenta a imagem da ferramenta desgastada
atual. O quadro no canto superior direito apresenta a imagem modelo utilizada. O quadro logo
115

_________________________________________________________________________________________
abaixo deste, apresenta a imagem ou ROI selecionada. O usurio utiliza uma Combo-Box (boto do
Windows com uma lista de opes para a escolha do usurio) para selecionar a imagem ou ROI que
ser utilizada nos algoritmos de processamento de imagens. Os menus permitem que o usurio
aplique outros algoritmos de processamento de imagens (como filtros e operadores morfolgicos)
com o intuito testar estes algoritmos.

Fig. 7.17: Interface da Aplicativo de Medio do Desgaste de Ferramenta.
7.4 TESTE E AVALIAO DO SISTEMA DE VISO
Para testar o sistema de medio e classificao utilizou-se um conjunto com 9 ferramentas
desgastadas, com 2 a 3 imagens por ferramenta. Assim, o conjunto de imagens utilizadas para testar
o sistema continha 24 imagens ao todo.
As ferramentas utilizadas so do tipo SNGN 12 04 08 T01020 [70]. O desgaste de flanco
das ferramentas foi medido atravs de um microscpio disponvel no Laboratrio de Usinagem da
UFSC. A Fig. 7.18 mostra uma foto coletada atravs do acoplamento de uma cmera digital ao
microscpio utilizado na medio. Nota-se que a imagem aparece no microscpio com uma
ampliao muito pequena. Este fato, aliado ao ajuste manual do microscpio, faz com que a
116

_________________________________________________________________________________________
preciso das medies seja ruim. O mesmo operador realizando duas medies de desgaste em uma
mesma ferramenta obtm facilmente dois resultados diferentes, com erros de at 40%.

Fig. 7.18: Imagem Visualizada no Microscpio Utilizado para Medir o Desgaste.
Com este conjunto de amostras, realizaram-se os testes com o sistema de viso calibrado
segundo as configuraes descritas ao longo deste documento. Os resultados obtidos esto
descritos na Tab. 7.2, onde cada coluna representa os respectivos valores: o ndice da tabela, o
nome do arquivo, nmero da ferramenta com a quina utilizada, o V
Bmax
medido no microscpio, o
V
Bmax
medido pelo sistema de viso, o erro em relao medio do V
Bmax
, o V
B
medido no
microscpio, o V
B
medido pelo sistema de viso, o erro em relao medio do V
B
, a rea do
desgaste AV
B
medida pelo sistema de viso, o tipo de desgaste da ferramenta, o resultado da
classificao do tipo de desgaste (efetuado pelo sistema de viso) e, por fim, o tempo de
processamento em milisegundos.
117

_________________________________________________________________________________________
Tab. 7.2: Tabela com os Resultados das Medies Efetuadas Pelo Sistema de Viso.
i Nome Ferr.

V
Bmax

V
Bmax
St

Erro

V
B
V
B
St Erro

AV
B
St Tipo

Tipo St

T(ms)
1 Fig 10a

1-1 310 220,46 29% 230 165,89

28%

82057,0 flanco

flanco

593,54
2 Fig 10b

1-1 310 203,00 35% 178,99

181,17

-1% 61206,8 flanco

flanco

634,82
3 Fig 11a

1-2 315 231,37 27% 260 187,72

28%

71100,6 flanco

flanco

601,10
4 Fig 11b

1-2 315 196,45 38% 189,9

189,90

0% 66216,9 flanco

flanco

601,79
5 Fig 12a

1-3 415 414,73 0% 380 368,89

3% 269239,0

quebra

quebra

460,21
6 Fig 12b

1-3 415 414,73 0% 380 357,98

6% 260622,0

quebra

quebra

479,27
7 Fig 13a

1-4 360 357,98 1% 320 314,32

2% 119176,0

quebra

quebra

587,95
8 Fig 13b

1-4 360 375,44 -4% 320 340,51

-6% 133522,0

quebra

quebra

572,36
9 Fig 13c

1-4 360 357,98 1% 320 312,14

2% 121832,0

quebra

quebra

607,93
10 Fig 14a

2-1 250 181,17 28% 210 128,78

39%

36871,3 flanco

flanco

658,83
11 Fig 14b

2-1 250 172,44 31% 210 133,15

37%

38474,6 flanco

flanco

647,51
12 Fig 14c

2-1 250 172,44 31% 210 133,15

37%

36864,2 flanco

flanco

640,27
13 Fig 15a

2-2 280 203,00 28% 230 157,16

32%

50610,2 flanco

flanco

632,18
14 Fig 15b

2-2 280 200,81 28% 230 157,16

32%

50202,8 flanco

flanco

639,42
15 Fig 15c

2-2 280 207,36 26% 230 157,16

32%

51746,0 flanco

flanco

641,53
16 Fig 16a

2-3 250 183,35 27% 220 139,70

37%

43873,0 flanco

flanco

634,03
17 Fig 16b

2-3 250 183,35 27% 220 144,06

35%

44785,4 flanco

flanco

638,65
18 Fig 16c

2-3 250 185,54 26% 220 141,88

36%

46131,4 flanco

flanco

636,35
19 Fig 17a

2-4 270 168,07 38% 225 130,96

42%

42846,2 flanco

flanco

633,70
20 Fig 17b

2-4 270 189,90 30% 225 170,25

24%

48366,1 flanco

flanco

661,45
21 Fig 17c

2-4 270 168,07 38% 225 130,96

42%

43563,3 flanco

flanco

636,11
22 Fig 18a

2-5 230 194,27 16% 200 148,43

26%

37271,6 flanco

flanco

662,17
23 Fig 18b

2-5 230 192,08 16% 200 139,70

30%

37028,6 flanco

flanco

671,37
24 Fig 18c

2-5 230 194,27 16% 200 148,43

26%

37271,6 flanco

flanco

664,55

Mdia

23% 25%

618,21

Nota-se que, em todos os casos de desgaste de flanco, o sistema de viso obteve um erro de
medio em torno de 15 a 30% em relao medio do microscpio. Entretanto, visualmente, o
sistema de viso realiza uma eficiente deteco do desgaste (ver Fig. 7.19). O que descarta a
possibilidade de erro no algoritmo do sistema de viso. Quanto ao projeto ptico, este garante
tambm a relao dos valores encontrados com a real dimenso do desgaste. Acredita-se, portanto,
que esta falha ocorre no processo de medio no microscpio e no no algoritmo do sistema de
viso. O fato deste erro no ocorrer no caso de quebra de ferramentas ocorre, pois a medio,
nestes casos, imprecisa. O sistema apresenta tambm a rea da regio desgasta. Esta no pode ser
comparada, pois no foi possvel medir esta rea no microscpio.
Em relao ao sistema de classificao, este se mostrou eficiente em todos os casos
testados. Infelizmente, o conjunto de amostra no permitiu que este algoritmo fosse testado para
classificar outros tipos de desgaste. No entanto, estes testes sero realizados, certamente, em
projetos futuros.
118

_________________________________________________________________________________________

Fig. 7.19: Exemplo de Medio Efetuada pelo Sistema (Nome: Fig15c na Tab. 7.2).
119

_________________________________________________________________________________________
8 CONCLUSES E PERSPECTIVAS
A partir dos resultados obtidos (ver item 7.4), conclui-se que o sistema de viso
desenvolvido no contexto deste trabalho mais eficiente do que o sistema de medio atravs do
microscpio. Alm de obter uma exatido maior na medio do desgaste, o sistema tambm
garante uma repetibilidade nos resultados da medio. Isto significa que se uma ferramenta for
medida em diferentes posies e orientaes, o resultado permanecer o mesmo, o que garante
maior confiabilidade ao resultado fornecido.
Em comparao com as diversas tcnicas de monitoramento de desgaste existentes (ver
captulo 2), este sistema se destaca pela eficincia na medio do desgaste de flanco. Vale ressaltar
ainda que este sistema totalmente automatizado, diferente dos sistemas disponveis no mercado
[50, 51, 78], onde o operador precisa realizar a medio pessoalmente, enquanto que o sistema de
viso atua como um microscpio moderno, possibilitando a ocorrncia de erros de medio. Neste
aspecto, a medio do sistema proposto bastante confivel.
Outro aspecto importante que o sistema de classificao de forma tambm demonstrou
ser eficiente (100% de acerto), mesmo tendo sido testado para classificar apenas dois tipos
diferentes de desgaste e com uma amostragem consideravelmente pequena (apenas 24 imagens
foram analisadas e classificadas). Entretanto, esta uma caracterstica inovadora do sistema.
Nenhum dos aplicativos disponveis no mercado, segundo a pesquisa realizada (ver captulo 2),
implementa um sistema de classificao do desgaste. Do ponto de vista de determinao do fim de
vida da ferramenta de corte, esta caracterstica pode no ser muito relevante. Entretanto,
analisando-se do ponto de vista do sistema de superviso e controle do processo de fabricao, esta
informao pode ser muito importante para a otimizao do processo de fabricao e do uso da
ferramenta. Acompanhando a evoluo do desgaste e o tipo de desgaste gerado durante a
fabricao de um lote de produtos, o sistema de superviso e controle pode calcular os parmetros
timos, em termos de produtividade e qualidade do produto final.
O software apresentou um desempenho razovel. O sistema de viso no possui requisitos
de um sistema tempo-real, pois as medies de desgaste so realizadas durante as fases do processo
produtivo em que a ferramenta de corte permanece parada (aguardando o momento de ser
utilizada). Apesar disso, o sistema requer (em um microcomputador do tipo Pentium 550 Mhz), em
mdia, apenas 620 milisegundos (ver Tab. 7.2) para medir e classificar o desgaste da ferramenta. O
tempo de treinamento da Rede Neural tambm razovel, durando em mdia 45 segundos com um
conjunto de 16 amostras.
120

_________________________________________________________________________________________
O sistema de iluminao um ponto chave na construo deste sistema de viso.
Infelizmente um sistema mais robusto de iluminao no pode ser projetado devido a limitaes de
recursos e tempo. Entretanto, a tcnica desenvolvida neste trabalho demonstrou bons resultados
mesmo com o efeito de brilho gerado pela iluminao atual. Sugere-se, como perspectiva para
melhorar este sistema, o desenvolvimento de um mdulo de iluminao semelhante ao mdulo
desenvolvido pelo WZL (ver item 7.1.3), entretanto utilizando uma estrutura semi-esfrica no lugar
do anel luminoso. Este mdulo de iluminao poderia capturar vrias imagens com ngulo de
iluminao diferente, aplicando-se, assim, um algoritmo de otimizao para a deteco precisa da
rea desgasta na ferramenta. O microprocessador realiza o controle da direo de iluminao, que
pode ser direcionada de acordo com a geometria da ferramenta. Acredita-se que, com esta
topologia, o sistema de iluminao ser mais robusto e eficiente.

Fig. 8.1: Proposta para o Novo Mdulo de Iluminao.
A proposta inicial deste projeto (ver item 1.4.2) inclua a utilizao de uma cmera
inteligente (com um processador embarcado). Entretanto, devido ao atraso na aprovao do projeto
de cooperao com o Instituto WZL, no foi possvel adquirir esta cmera a tempo hbil para
aplic-la neste projeto. Esta cmera est, atualmente, em processo de compra e estar disponvel
para os prximos projetos. A Fig. 8.2 ilustra a topologia do sistema com a cmera embarcada. Esta
configurao ser implementada, futuramente, pelo aluno de mestrado que continuar o
desenvolvimento deste projeto.
121

_________________________________________________________________________________________

Fig. 8.2: Configurao Futura do Sistema de Viso.
Outra sugesto para futuros trabalhos a implementao de um sistema de calibrao para
a cmera, considerando a distoro sofrida pela lente (ver item 3.2.3). Como este foi um trabalho
inicial, a distoro foi considerada desprezvel neste trabalho. Entretanto, recomenda-se que sejam
realizados procedimentos rgidos para a calibrao do sistema como um todo.
Outro passo importante na evoluo deste sistema de medio de desgaste de ferramenta
a interao com o comando numrico (CNC) da mquina-ferramenta. Esta interao fornece trs
vantagens fundamentais:
O sistema de posicionamento do CNC pode ser utilizado para posicionar a ferramenta
no sistema de viso. Assim, obtm-se uma preciso maior no posicionamento e o
usurio no precisa realizar o posicionamento manualmente;
O CNC pode utilizar o sistema de viso para medir o desgaste da ferramenta e, atravs
desta medio, decidir se continua utilizando a ferramenta ou no;
O sistema de viso pode obter do CNC informaes que descrevam a geometria da
ferramenta. A partir destas informaes, o sistema de viso pode ser configurado
automaticamente, otimizando o processo de medio do desgaste.
Pelas razes acima descritas, a interao entre o sistema de medio de desgaste e o CNC
tornar o sistema de viso muito eficiente e robusto.
Uma limitao deste sistema que ele ainda no pode ser aplicado para a medio do
desgaste de cratera. Esta estratgia pode ser at adaptada para calcular a rea do desgaste de
cratera, mas no se aplica para a medio da profundidade da cratera. Para a medio desta varivel
sugere-se como soluo o desenvolvimento de um sistema de medio tridimensional (3D). O
sistema funcionaria de forma anloga ao sistema aqui desenvolvido. Antes que a ferramenta fosse
utilizada, o sistema de viso iria capturar algumas imagens desta para formar um modelo
tridimensional. Aps a sua utilizao, a ferramenta passaria novamente pelo sistema de viso. Um
122

_________________________________________________________________________________________
novo modelo tridimensional seria gerado e, comparando-se os dois modelos, os desgastes poderiam
ser mensurados completamente. O sistema de classificao poderia ser utilizado integralmente. A
nica sugesto que este receba como entrada o contorno da regio desgastada em trs planos:
superior, frontal e lateral.
O modelo tridimensional da ferramenta pode ser obtido atravs de trs tcnicas distintas:
Viso Estreo: consiste em usar duas cmeras (ou duas imagens com ngulos distintos
e conhecidos) para criar uma imagem tridimensional de uma cena (ver Fig. 8.3). Este
sistema pode produzir bons resultados, porm a calibrao das cmeras um problema
complexo e delicado. A biblioteca da Intel oferece um conjunto de algoritmos capazes
de processar este tipo de imagens [32];
Franjas de Moir: esta uma tcnica utilizada para obter imagens tridimensionais a
partir de um sistema de viso bidimensional (ver Fig. 8.5). Esta tcnica tem um custo
de desenvolvimento menor. Entretanto, devido resoluo do sistema (aproximada-
mente 4 m), esta tcnica pode produzir resultados imprecisos;
Reconstruo 3D: consiste em capturar um conjunto de imagens estreo [32],
formando um modelo 3D completo do objeto (ver Fig. 8.4). Esta tcnica pode trazer
bons resultados, mas requer um alto tempo de processamento.

a) Modelo Matemtico. b) Imagem na Cmera 1. c) Imagem na Cmera 2.
Fig. 8.3: Ilustrao de um Sistema de Viso Utilizando Viso Estreo [26].

Fig. 8.4: Exemplo de uma Reconstruo Tridimensional [32].
123

_________________________________________________________________________________________

Fig. 8.5: Ilustrao da Tcnica de Franjas de Moir [26].
Acredita-se que este trabalho atingiu o objetivo proposto. Apesar do sistema ter sido
testado apenas com um tipo de ferramenta de corte, a metodologia desenvolvida bastante
genrica, podendo ser aplicada para a medio de diferentes tipos de ferramenta de corte. Para
conseguir generalizar a ferramenta, basta, apenas, implementar um sistema mais robusto de
iluminao, como o citado anteriormente, e interagir com o CNC da mquina-ferramenta para
conhecer a geometria da ferramenta, a fim de otimizar o algoritmo de alinhamento e otimizao.
Portanto, esta tcnica bastante promissora e dever ser integrada ao sistema de
monitoramento de desgaste implementado no instituto WZL. Futuramente, tem-se a inteno de
transformar esta tecnologia em produto, disponibilizando esta soluo para o mercado. Por
exemplo, a empresa Bosch, na Alemanha, demonstrou interesse no projeto e estuda a aplicao da
tecnologia na sua fbrica.
124

_________________________________________________________________________________________
REFERNCIAS BIBLIOGRFICAS
[1] ARCELLI, C. e BAJA, G. S. D.: A Width-Independent Fast Thinning Algorithm, IEEE
Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-7, n 4, Julho,
1985.
[2] ATIYA, A. F.; FERNANDEZ, B.; MUTHUSAMI, J.; PARLOS, A.G. e TSAI, W.K.: An
Accelerated Learning Algorithm for Multilayer Perceptron Networks, IEEE Transactions
on Neural Network, vol. 5, n
o
3, Maro, 1994.
[3] BAXTER, J.: Keys to Cost Effective Optical Design & Tolerancing, at
www.edmundoptics.com, Edmund Industrial Optics, Barrington, EUA, 2001.
[4] BLUM, T.; SUZUKI, I. e INASAKI, I.: Development of a Condition Monitoring System
for Cutting Tools Using an Acoustic Emission Sensor, Bull. Japan Soc of Prec. Eng., vol.
22, n 4, Dezembro, 1988.
[5] BYRNE, G.; DORNFELD, D.; INASAKI, I.; ETTELER, G.; KNIG, W e TETI, R.: Tool
Condition Monitoring (TCM) The Status of Research and Industrial Application,
Annals of the CIRP vol. 44/2/1995.
[6] BOOCH, G.; JACOBSON, I. e RUMBAUGH, J.: Unified Modeling Language: Reference
Guide, ed. Addison Wesley Longman, 2000.
[7] BORELLI, J. E.; JUNIOR, A. B.; COELHO, R. T. e GONZAGA, A.: Diagnstico de
Estados de Ferramenta nos Processos de Usinagem de Alto Desempenho com o Uso de
Lgica Fussy e Imagens Infravermelho, Usinagem 2000 Feira e Congresso, Brasil,
2000.
[8] BURT, P. J.; HONG, T. H. e ROSENFELD, A.: Segmentation and Estimation of
Image Region Properties Through Cooperative Hierarchical Computation, IEEE
Tran. On SMC, vol. 11, n 12, 1981, pp. 802-809.
[9] CARBONETTO, P.: Picture Representation Using Quad Trees Data Structures and
Algorithms, at http://www.cs.mcgill.ca/~pcarbo/cs251 , School of Computer Science,
McGill University, Maro, 1999.
[10] CHOI, D.; KWON, W. T.; CHU, C. N.: Real-Time Monitoring of Tool Fracture in
Turning Using Sensor Fusion, The International Journal of Advanced Manufacturing
Technology, vol. 15, n 5, ed. Springer, 1999.
125

_________________________________________________________________________________________
[11] DECHAMPS, F.; ORTH, A. e STEMMER, M.R.: RAP - Um Sistema De Viso para
Robs Inteligentes Baseado na Interpretao dos Coeficientes de Fourier, Congresso
Brasileiro de Automtica, Florianpolis, Brasil, Setembro, 2000 (SBA'2000).
[12] DEMUTH, H. e BEALE, M.: Neural Network Toolbox Users Guide - For Use with
MatLab, The Maths Works Inc.
[13] DORNFELD, D. A.: Usinagem de Preciso - Monitorao de Processos por Emisso
Acstica, Mquinas e Metais, Maio, 1999.
[14] DU, R.; ELBESTAWI, M. A. e WU, S. M.: Automated Monitoring of Manufacturing
Processes, Part 1: Monitoring Methods, Journal of Engineerging for Industry, vol. 117, n
2, Maio, 1995.
[15] DU, R.; ELBESTAWI, M. A. e WU, S. M.: Automated Monitoring of Manufacturing
Processes, Part 2: Applications, Journal of Engineerging for Industry, vol. 117, n 2, Maio,
1995.
[16] EDMUND INDUSTRIAL OPTICS: Technical Support Library, at
www.edmundoptics.com, Barrington, EUA.
[17] FISHER, R.: CVonline: Image Transformations and Filters, at
http://www.dai.ed.ac.uk/CVonline/transf.htm, Outubro, 2001.
[18] FREEMAN, J. A. e SKAPURA, D. M.: Neural Networks: Algorithms, Applications, and
Programming Techniques, ed. Addison-Wesley, EUA, Maro, 1991.
[19] GIUSTI, F.; SANTOCHI, M. e TANTUSSI.: On Line Sensing of Flank and Crater Wear
of Cutting Tools, Annals of the CIRP vol. 36, Janeiro, 1987.
[20] GNU.: The Free Software Definition, at http://www.gnu.org/philosophy/free-sw.html,
Free Software Foundation Inc., EUA, 2001.
[21] GOMES, J. e VELHO, L.: Computao Grfica: Imagem, Rio de Janeiro, IMPA/SBM,
1994.
[22] GONZALEZ, R. C. e WOODS, R. E.: Digital Image Processing, Reading, ed. Addison-
Wesley, 1992.
[23] HALLIDAY, D.; RESNICK, R. e WALKER, J.: Fundamentos da Fsica 4 tica e
Fsica Moderna, 4 edio, ed. Livros Tcnicos e Cientficos S.A. - LTC, 1995.
[24] HARALICK, R. M. e SHAPIRO, L. G.: Computer and Robot Vision, ed. Addison-
Wesley, 1992.
126

_________________________________________________________________________________________
[25] IMAGE LABS INTERNATIONAL: Figuring Field of View Mathematically, at
http://www.vision1.com/mfovmaths.html, Image Labs International, 2001.
[26] INTEL: Intel Image Processing Library, at
http://developer.intel.com/software/products/perflib/ipl, Intel, EUA, 2001.
[27] INTEL: Intel Image Processing Library Reference Manual, at
http://developer.intel.com/software/products/perflib/ipl/index.htm, Intel, EUA, 2001.
[28] INTEL: Intel Math Kernel Library, at http://developer.intel.com/software/products/mkl/,
Intel, EUA, 2001.
[29] INTEL: Intel Open Source Computer Vision Library, at
http://www.intel.com/research/mrl/research/opencv , Intel, EUA, 2001.
[30] INTEL: Intel Recognition Primitives Library, at
http://developer.intel.com/software/products/perflib/rpl/ , Intel, EUA, 2001.
[31] INTEL: Intel Signal Processing Library, at
http://developer.intel.com/software/products/perflib/spl/ , Intel, EUA, 2001.
[32] INTEL: Open Source Computer Vision Library Reference Manual, at
http://www.intel.com/research/mrl/research/opencv/index.htm, Intel, EUA, 2001.
[33] JHNE, B.: Digitale Bildverarbeitung, ed. Springer, Berlin-Heidelberg, Alemanha, 1997.
[34] JHNE, B.: Handbook of Computer Vision and Applications Volume 1 Sensors and
Imaging, ed. Academic Press, Heidelberg, Alemanha, 1999.
[35] JHNE, B.: Handbook of Computer Vision and Applications Volume 2Signal
Processing and Pattern Recognition, ed. Academic Press, Heidelberg, Alemanha, 1999.
[36] JAIN, A. K.; JIANCHANG, M. e MOHIUDDIN, K. M.: Artificial Neural Networks: A
Tutorial, Computer, pag. 31, Maro, 1996.
[37] JEMIELNIAK, K.: Commercial Tool Condition Monitoring Systems, The International
Journal of Advanced Manufacturing Technology, vol. 5, n 10, ed. Springer, 1999.
[38] JONKER, P.: Image Processing Fundamentals, at
http://www.ph.tn.tudelft.nl/Courses/FIP/noframes/fip-Contents.html, Maro, 1998.
[39] KIM, H. NAM, K.: Object Recognition of One DOF Tool by a Backpropagation Neural
Net, IEEE Transactions on Neural Networks, vol. 6, n 2, Maro, 1995.
[40] KON, F.: O Software Aberto e a Questo Social, at http://gsd.ime.usp.br, Brasil, 2001.
[41] KNIG, W., KLOCKE, F.: Fertigungsverfahren: Drehen, Frsen, Bohren, ed. Springer
Verlag Berlin Heidelberg, Heidelberg, Alemanha, 1997.
127

_________________________________________________________________________________________
[42] KNIG, W.: Tecnologia de Fabricao, Traduo por Walter L. Weingaertner, Aachen,
1981.
[43] KURUDA, S. e BRADLEY, C.: A Review of Machine Vision Sensors for Tool Condition
Monitoring, Computers in Industry, vol. 34, n 1, Outubro, 1997.
[44] LEITHOLD, L.: O Clculo com Geometria Analtica, 3
a
ed, vol. 1, ed. Harbra, 1994.
[45] LIMA, J. C. M. : Arquiteturas Piramidais, Disciplina CMP 135 Arquiteturas Especiais
de Computadores, Curso de Ps-Graduao em Cincia da Computao, UFRGS, Porto
Alegra, Brasil, Novembro, 1998.
[46] Lentes Esfricas: Fundamentos Tericos, at http://zip.to/fisica.com, Brasil, 2001.
[47] MCLAUGHLIN, R. A. e ALDER, M. D.: Technical Report The Hough Transform
versus the UpWrite, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.
20, n 4, pag. 396 400, Abril, 1998.
[48] MICHALSKI, J.: What is Telecentricity?, at www.edmundoptics.com, Edmund Industrial
Optics, Barrington, EUA.
[49] MINASI, M.; ORTH, A. e STEMMER, M. R.: S2iLib: Uma Biblioteca Orientada a
Objetos para Sistemas de Viso, I Simpsio Catarinense de Processamento Digital de
Imagens, UFSC, Brasil, Novembro, 2001.
[50] MONTRONIX.: Montronix Toolbox of Sensors, at
http://www.montronix.com/Sensr_everyapp.html, Montronix Inc., 2001, EUA.
[51] MONTRONIX.: Prediction and Detection of Tool Wear and Fracture in Machining,
http://www.montronix.com, Montronix Inc., 2001, EUA.
[52] MORIWAKI, T.: Sensing and Prediction of Cutting Tool Failure, Bull. Japan Soc. of
Prec. Engg., vol 18, n 2, Junho, 1984.
[53] NCC.: Image Processing Resource List, at http://www.ncc.com/misc/ipt_sites.html,
Network Cybernetics Corporation, Outubro, 2001.
[54] NIU, Y. M.; WONG, Y. S. e HONG, G. S. : An Intelligent Sensor System Approach for
Reliable Tool Flank Wear Recognition, The International Journal of Advanced
Manufacturing Technology, vol. 14, n 2, ed. Springer, 1998.
[55] NORTHEAST ROBOTICS (NERLITE): Lighting Techniques, at
www.nerlite.com/#Lighting Techniques, NER, RVSI, Weare, EUA.
128

_________________________________________________________________________________________
[56] ORTH, A. e STEMMER, M.R. Desenvolvimento e Implementao de um Sistema para
Reconhecer Automaticamente Peas Mecnicas -Projeto RAP, Sociedade Brasileira de
Computao, Belo Horizonte, Brasil, 1998 (SBC'98).
[57] ORTH, A. e STEMMER, M.R. Sistema de Viso Aplicado ao Monitoramento do
Desgaste de Ferramenta de Corte: Uma Estratgia para Medir o Desgaste de Flanco
(VB), I Simpsio Catarinense de Processamento Digital de Imagens, UFSC, Brasil,
Novembro, 2001.
[58] ORTH, A.; PFEIFER, T.; SACK, D. e STEMMER, M.: Sensor/Actuator Network - The
Nervous System Of A New Production Concept: The Autonomous Production Cells,
Congresso Brasileiro de Automtica, Florianpolis, Brasil, Setembro, 2000 (SBA'2000).
[59] PARAGIOS, N. e DERICHE, R.: Geodesic Active Contours and Level Sets for the
Detection and Tracking of Moving Objects, IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. 22, n 3, pag. 266 280, Maro, 2000.
[60] PARKER, J. R.: Algorithms for Image Processing and Computer Vision, ed. John Wiley
& Sons, New York, EUA, 1997.
[61] PEDERSON, K. B.: Wear Measurement of Cutting Tools by Computer Vision,
International Journal of Machining Tools Manufacturer, vol. 30, n 1, pag. 131-139, 1990.
[62] PETE, A.: Understanding Optical Specifications, at www.edmundoptics.com, Edmund
Industrial Optics, Barrington, EUA.
[63] PRESSMAN, R. S.: Software Engineering A Practitioners Approach, 5 ed., ed.
McGraw Hill, 2000.
[64] PRICE, S.: Active or Flexible Contour Models, at
http://www.icbl.hw.ac.uk/marble/vision/medium/snakes/snakes.htm, ICBL, Fevereiro,
1996.
[65] PULNIX: Pulnix Imaging Products TM-7/TM-6 Series B/W CCD Cameras
Specifications, Pulnix Industrial Products Division, 2001.
[66] RIEDMILLER, M.: Advanced Supervised Learning in Multi-layer Perceptrons from
Backpropagation to Adaptive Learning Algorithms, Journal of Computer Standards and
Interfaces, Special Issues on Neural Networks (5), 1994.
[67] RIEDMILLER, M.: Advanced Supervised Learning in Multi-layer Perceptrons from
Backpropagation to Adaptive Learning Algorithms, Journal of Computer Standards and
Interfaces, Special Issues on Neural Networks (5), 1994.
[68] RUSS, J. C.: The Image Processing Handbook, 2 ed., Boca Raton, CRC Press, 1995.
129

_________________________________________________________________________________________
[69] SADOULET, S.: Eliminating Distortion in Your Imaging System, at
www.edmundoptics.com, Edmund Industrial Optics, Barrington, EUA.
[70] SANDVIK: Cutting Tools for Machining, at http://www.coromant.sandvik.com/, Sandvik
Coromant, Outubro, 2001.
[71] SIMON, G. e CHATTERJJE, M.: Introduction to Image Morphology, at
http://cobb.ece.psu.edu/projects/interact/morphology.html, Penn State University,
Electrical Engineering, The Multidimensional Image Processing Lab., 2001.
[72] SPIEGEL, M. R.: Transformadas de Laplace, Coleo Schaum, McGrawn-Hill do Brasil,
1975.
[73] STEMMER, C. E.: Ferramentas de Corte I, 4 edio, editora da UFSC, Fpolis., 1995.
[74] STEMMER, C. E.: Ferramentas de Corte II, 2 edio, editora da UFSC, Fpolis., 1995.
[75] STROUSTRUP, B.: The C++ Programming Language, 3. ed. Reading : Addison-Wesley,
1997.
[76] S2I: S2iLib Machine Vision Library, at http://sf.net/projects/s2ilib, Sistemas Industriais
Inteligentes, UFSC, 2001.
[77] TESHIMA, T.; SHIBASAKA, T.; TAKUMA, M. e YAMAMOTO, A.: Estimation of
Cutting Tool Life by Processing Tool Image Data with Neural Network, Annals of the
CIRP, vol. 42, Janeiro, 1993.
[78] TRIRDWAVESYS.: Third Wave Advant Edge, at http://www.thirdwavesys.com/, Third
Wave Systems Inc., Minneapolis, USA, 2001.
[79] YOUNG, D.: Active Contour Models (Snakes), at
http://www.cogs.susx.ac.uk/users/davidy/teachvision/vision7.html, University of Sussex,
1995.
[80] VISION 1:Pulnix Cameras, at http://www.vision1.com/pulnix.html, Dezembro, 2001.
[81] WAGNER, J.: Successful Polarization Techniques, at www.edmundoptics.com, Edmund
Industrial Optics, Barrington, EUA.
[82] WANGENHEIM, A. von.: Seminrio de Introduo a Viso Computacional, at
www.inf.ufsc.br/~visao, UFSC, Brasil, 2001.
[83] WIEGERS, L. e PFEIFER, T.: Adaptive Control for the Optimized Adjustment of
Imaging Parameters for Surface Inspection Using Machine Vision, CIRP Athen,
Alemanha, 1998.
130

_________________________________________________________________________________________
[84] WIEGERS, L. e PFEIFER, T.: Reliable Tool Wear Monitoring by Means of Image-
Optimization in Machine Vision, PTW TU Darmstadt, Alemanha, 1999.
[85] WIEGERS, L. e PFEIFER, T.: Verfahren zur wissensunabhngigen automatischen
Bildoptimierung in der technischen Sichtprfung, Sensor-Tagung, Bad Nanheim,
Alemanha, Maro, 1998.
This document was created with Win2PDF available at http://www.daneprairie.com.
The unregistered version of Win2PDF is for evaluation or non-commercial use only.

Dissertacao Desgaste Flanco - Orth

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertacao Desgaste Flanco - Orth

Enviado por

Direitos autorais:

Formatos disponíveis

ENG.

Você também pode gostar