See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/265916112

CLASSIFICAÇÃO AUTOMÁTICA DE TIJOLOS

Article

CITATIONS READS

0 32

3 authors, including:

Jose Vieira Aníbal J. S. Ferreira

University of Aveiro University of Porto
136 PUBLICATIONS   570 CITATIONS    73 PUBLICATIONS   446 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Wind & Biodiversity View project

AcousticAVE View project

All content following this page was uploaded by Jose Vieira on 13 January 2015.

The user has requested enhancement of the downloaded file.

 CLASSIFICAÇÃO AUTOMÁTICA DE TIJOLOS
Miguel Falcão* , José Vieira**, Aníbal Ferreira***
*INESC-Porto, **DETUA e INESC-Aveiro, ***FEUP e INESC-Porto,
Largo Mompilher, 22, Porto 4050-392
Sumário
Este artigo trata o tema da classificação automática de
peças de barro através da análise da sua resposta sonora
a um impulso mecânico. Consideraram-se para teste
dois tijolos pré-classificados. Efectuaram-se diversos
estudos em que se simularam diferentes métodos de
classificação. Implementou-se um destes métodos
numa plataforma de DSP, a operar em tempo-real,
tendo por entrada unicamente o sinal de um microfone.
Concluiu-se que o desempenho do método
implementado é satisfatório, mesmo em condições de
ruído ambiente. Com algum desenvolvimento adicional
de adaptação, o método tem potencialidades para ser
instalado numa linha de produção em ambiente
industrial.
1. INTRODUÇÃO
A classificação de tijolos na saída da linha de produção
é necessária quer para proceder a uma triagem simples
entre tijolos defeituosos, categoria que passaremos a
designar de MAU, e entre tijolos não defeituosos,
categoria que passaremos a designar de BOM; quer
para proceder a uma selecção mais refinada, de acordo
com a gravidade dos defeitos estruturais detectados.
Em tempos idos, a selecção de tijolos chegou a ser feita
na própria linha de produção, por operadores humanos,
que os classificavam de acordo com o som que
produziam, após a aplicação de uma pancada em cada
tijolo. Actualmente este método é ainda utilizado mas
só para a classificação por amostragem, usando por
exemplo um único exemplar de um grupo ou fornada
de tijolos.
Este artigo caracteriza e confronta as respostas ao
impulso produzidas por dois tijolos previamente
classificados de BOM e MAU. Com base nesta
informação, investigam-se métodos computacionais
passíveis de ser usados num algoritmo para a sua
classificação automática e em tempo-real, a partir de
uma análise computacional ao som produzido por cada
tijolo quando sujeito a um impulso mecânico [1].
Descreve-se a implementação de um destes métodos
numa plataforma de processamento digital de sinal em
tempo-real, e avalia-se o seu desempenho,
considerando também a influência do ruído.
Este trabalho tem um cariz preliminar e por isso ignora
possíveis variações entre tijolos do mesmo tipo. A
ênfase é portanto colocada na concepção e breve ensaio
de métodos computacionais de classificação, tendo por
referência os exemplares de tijolo que nos foram
disponibilizados e tendo por objectivo a simples
triagem binária.
2. ESTUDOS DE SIMULAÇÃO
Foram usados dois tijolos, um do tipo MAU e outro do
tipo BOM, com as seguintes dimensões: 30x20x11cm.
A sua resposta ao impulso foi obtida por aplicação de
uma pancada lateral.
A captação da resposta sonora dos tijolos a um impulso
mecânico foi realizada com estes suspensos nas duas
extremidades abertas, de modo a permitir a sua
vibração livre. Utilizou-se uma frequência de
amostragem de 44.1 kHz na digitalização do som
captado, de modo a poder analisar-se o conteúdo
espectral da resposta dos tijolos até 20 kHz.
Quando sujeitos a uma breve pancada, os tijolos
produzem um som com um timbre definido e com um
decaimento temporal bastante acentuado. A impressão
subjectiva do som de um tijolo MAU relativamente ao
de um tijolo BOM é que aquele, para além de mais
curto, revela um som mais abafado, designado na gíria
de “choco”.
Este facto tem uma explicação física que pode ser
explicada de forma simplista: um tijolo bem cozido é
em princípio mais rígido proporcionando uma maior
velocidade à propagação acústica e uma menor
atenuação obtendo-se por este motivo respostas
impulsionais mais longas e com frequências de
ressonância elevadas.
Pelo contrário, no caso do tijolo MAU quer seja bem
cozido mas apresentando fractura profunda, quer seja
mal cozido ou constituído por argila de má qualidade,
as condições são de modo a preservar só as
ressonâncias de mais baixa frequência, e de modo a
impor um amortecimento acentuado à energia da
resposta impulsional.
 4
Estes aspectos têm correspondência com a 3
x 10 Evolução da Energia da Resposta do Tijolo BOM

representação temporal e espectral da resposta 2

impulsional dos dois tipos de tijolo. A Figura 1 revela

Totência (dB)
1

as diferenças no tempo. 0

4 Resposta Tipica de Tijolo BOM −1

x 10
3 −2
2
−3
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
1 Tempo (s)
Amplitude

0 x 10
4 Evolução da Energia da Resposta do Tijolo MAU
3
−1

−2 2

Potência (dB)
−3 1
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0
4 Resposta Tipica de Tijolo MAU
x 10 −1
3
−2
2 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
Tempo (s)
1
Amplitude

Figura 2: Neste figura podemos comparar a evolução da

0
resposta impulsional dos dois tijolos com o sinal de potência
−1
filtrado pelo filtro IIR.
−2

−3
0 0.01 0.02 0.03 0.04 0.05
Tempo (s)
Figura 1: Respostas típicas de um tijolo do tipo BOM (em
cima) e de um tijolo do tipo MAU (em baixo).
A representação dos sinais no domínio dos tempos
mostra que a atenuação temporal é muito mais
acentuada no caso do tijolo MAU do que no tijolo
BOM. Por outro lado, a representação dos sinais no
domínio das frequências revela que o tijolo MAU tem
um conteúdo espectral relevante mais estreito do que o
do tijolo BOM, além de que a sua região de maior
magnitude se situa a uma frequência inferior à da
região de maior magnitude do tijolo BOM.
Apresentam-se de seguida dois métodos de
classificação que tentam tirar partido sobretudo dos
atributos no tempo, e dois métodos que tentam tirar
partido de atributos na frequência. A apresentação
separada destes métodos tem por objectivo a sua
melhor avaliação individual, nada impedindo que
venha a julgar-se oportuno construir um algoritmo que
combine vários destes métodos.
Medição directa do decaimento.
Um dos métodos possíveis para descriminar os dois
tipos de tijolo, seria o de medir o decaimento da
potência do sinal ao longo do tempo utilizando uma
estimativa da potência média do sinal numa janela
temporal de dimensão N:
k + N −1
1
Pk =
N
∑ x( n) 2
n= k
Uma aproximação para o sinal Pk pode ser obtida
filtrando com um simples filtro passa-baixo do tipo IIR
(Resposta Impulsional Infinita), a potência instantânea
dada por x(n)2.
0.06 0.07 Na figura 2 podemos comparar a evolução do sinal Pk
para a resposta dos dois tijolos, após filtragem por um
filtro IIR de segunda ordem.
Pode ver-se assinalado por um pequeno círculo, o
tempo de decaimento. O tempo de decaimento consiste
no intervalo de tempo para o qual a potência do sinal
desce para 20% do seu valor de pico. Como se pode
observar, o tempo de decaimento é maior para o caso
do tijolo BOM.
Pela análise dos diferentes tempos de decaimento
registados, concluiu-se que o material do martelo
influencia o tipo de resposta obtido, sendo necessário
proceder a uma avaliação rigorosa do tipo de material a
utilizar. Verificou-se também que a localização da
pancada em relação ao tijolo também influencia a
resposta deste. No entanto, este método simples de
análise do decaimento revela potencialidades para
classificar os tijolos. Realizando a média de várias
respostas, pode-se tornar este método mais robusto,
podendo por exemplo as pancadas ser dadas com
intervalos de apenas 200ms, implicando um tempo
total de análise para cinco pancadas de apenas 1
segundo por tijolo.
Método de medida do decaimento com modelo
exponencial
Uma variante possível do método anterior consiste em
avaliar a distância da envolvente de cada tipo de sinal
para um modelo exponencial de decaimento. Neste
caso determina-se experimentalmente a constante de
(1) decaimento de uma exponencial que melhor se adapte
ao caso do tijolo BOM. Esta medida constitui a
referência de decaimento. Na Figura 7 compara-se a
envolvente temporal para dois casos de resposta ao
impulso, com um modelo exponencial simples: 0.999n,
em que n é o índice temporal contado a partir do pico
de resposta ao impulso. O sinal de envolvente
representado foi obtido igualando o valor das amostras
em segmentos de 80 amostras, ao valor absoluto do
máximo aí encontrado.
 4
x 10 Envolvente Temporal de Tijolo BOM (max base 80)
Exemplifica-se na figura 4 o modelo LPC, com base
3
num filtro autoregressivo de ordem 10, para cada tipo
2.5
de tijolo.
Amplitude

1.5
Esta figura confronta também a densidade espectral de
1
potência para cada tipo de tijolo, com o respectivo
0.5 modelo LPC. De uma maneira geral, verifica-se que a
0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
resposta do tijolo do tipo BOM possui uma maior
densidade espectral de potência às altas frequências do
4
x 10 Envolvente Temporal de Tijolo MAU (max base 80)
que a resposta do tijolo do tipo MAU. Por outro lado,
3
verifica-se também que o pico do modelo LPC para o
2.5
tijolo do tipo BOM ocorre a uma frequência superior
Amplitude

1.5
1
0.5
0
0 0.01 0.02
Figura 3: Comparação da envolvente de cada tipo de
resposta com um modelo exponencial para o decaimento
temporal.
Quando se compara a curva de referência com o
decaimento do tijolo MAU, verifica-se que existe uma
diferença apreciável. De facto, para os casos
representados na Figura 3, verifica-se que o erro
quadrático da diferença entre o modelo para o
decaimento e a resposta do tijolo BOM é 2.6E10,
enquanto que no caso do tijolo MAU é 1.3E11. É
portanto possível estabelecer um limiar para o valor do
erro a partir do qual o tijolo é rejeitado.
Análise por Linear Predictive Coding (LPC)
A análise por LPC é muito usada no contexto da
codificação de sinais de voz [2]. Trata-se de um
método de redução da redundância, através da
modelização da envolvente espectral do sinal de voz,
que se assume ser quase-estacionário e com um
espectro suave. O nosso sinal, a resposta do tijolo ao
impulso, dificilmente verifica estas condições. No
entanto, o interesse desta análise reside no facto de
podermos distinguir os dois tipos de tijolo a partir do
erro de predição quando se toma para referência de
envolvente espectral, o modelo LPC estimado a partir
da resposta de tijolos de tipo BOM.
90
Densidade Espectral (dB)
ao pico do modelo LPC para o tijolo do tipo MAU.
Para verificar se a diferença observada entre os
modelos LPC se traduz numa medida prática que
0.03 0.04 0.05 0.06 0.07 0.08 0.09
permita diferenciar os dois tipos de tijolo, comparámos
Tempo (s) o sinal de erro de predição quando se filtra a resposta
do tijolo MAU usando o modelo LPC do tijolo BOM,
com o erro de predição produzido pelo próprio tijolo
BOM. Concluiu-se que apesar do erro ser mais
evidente no primeiro caso no que no segundo, as
diferenças não são dramáticas. De facto, a relação entre
os valores obtidos é insuficiente para despertar um
interesse prático.
Análise pela Transformada de Fourier (DFT)
Uma alternativa de análise no domínio das frequências
é a permitida pela decomposição de Fourier em
componentes sinusoidais.
Uma primeira dificuldade que existe na utilização desta
análise para estudar os sinais produzidos pelos tijolos é
que estes são não-estacionários e aquela supõe quase
estacionaridade. Porém, como os nossos sinais em
estudo incluem sinusóides amortecidas claramente
detectáveis numa extensão de cerca de 40 - 100 ms,
pode-se considerar que em durações de cerca de 10 -
20 ms o sinal é quase estacionário.
Analisando a estrutura espectral de cada sinal e
relacionando o amortecimento das suas várias
componentes espectrais, concluímos em primeiro lugar
que os sinais de resposta ao impulso não revelavam
uma estrutura harmónica clara [3], o que inviabiliza a
utilização deste aspecto como critério de classificação.
Concluímos depois que havia três regiões com
Modelo LPC(10) de Tijolo BOM
comportamentos distintos. Uma região de baixas

80 PICO LPC a 5383 Hz

frequências até cerca de 2.9 kHz, onde se situam os
70

60
modos de vibração mais estáveis. Uma região de
50
médias frequências até cerca de 5.2 kHz, onde se
40 verifica uma persistência de modos importantes de
30 vibração dos tijolos, embora mais breve do que na
20
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 banda mais baixa, mas que apresenta já um carácter
4
x 10 algo intermitente, sobretudo no caso do tijolo MAU.
Modelo LPC(10) de Tijolo MAU
90 Finalmente, uma região de altas frequências com
relevância só até cerca de 10 kHz (o que sugere que
Densidade Espectral (dB)

80 PICO LPC a 4350 Hz

70
uma amostragem a 22 kHz é suficiente), em que o
60

50
decaimento das componentes no caso do tijolo MAU é
40
muito mais acentuado do que no caso do tijolo BOM.
30

20
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Frequencia (Hz) 4
x 10

Figura 4: Modelos LPC de ordem 10 para as respostas

dos dois tipos de tijolo ao impulso.
 Energia Espectral Tijolo BOM
130
125
120
115
110
Magnitude (dB)
Magnitude (dB)
105
100
95
Banda 1: 0.0 <−> 2.9 KHz
90
Banda 2: 2.9 <−> 5.2 KHz
85 Banda 3: 5.2 <−> 11.0 KHz
80
1 2 3 4
Segmento de FFT
5 6
Figura 5: Comparação da envolvente da energia espectral em
3 bandas para o caso da resposta do tijolo BOM e do tijolo
MAU.
A Figura 5 pretende ilustrar, de forma abreviada, estas
conclusões. Representa-se a energia em cada uma das
três bandas, ao longo do tempo, para cada tipo de
tijolo. A análise baseia-se em seis transformadas de
1024 pontos com sobreposição de 50%, o que
corresponde a uma duração de sinal de cerca de 80 ms.
Nota-se em primeiro lugar que o decaimento das
energias na banda 2 e 3 é mais acentuado, para os dois
tipos de tijolo, do que na banda 1. Em segundo lugar, o
decaimento das energias nas bandas 2 e 3 é bastante
equilibrado para o tijolo BOM, enquanto que para o
tijolo MAU, é notoriamente desequilibrado. Em último
lugar, o balanço de energias nas várias bandas e para os
dois tipos de tijolo, é equiparável para as bandas 1 e 2,
mas fortemente distinto para a banda 3. Este dado
particular, associado ao maior decaimento da energia
às altas frequências no caso do tijolo MAU, poderá
explicar que a impressão subjectiva do seu som seja
“choco”.
Estas conclusões, que são válidas unicamente para os
dois exemplares de tijolos que nos foram cedidos,
sugerem que a análise do decaimento e balanço das
energias nas várias bandas, é possivelmente um critério
de classificação com grandes potencialidades,
incluindo a de conferir robustez de funcionamento na
presença de ruído.
3. PLATAFORMA DE IMPLEMENTAÇÃO
Os estudos de simulação referidos no ponto 2 visavam
a implementação de uma solução algorítmica para a
classificação automática de tijolos, com base numa
plataforma autónoma que viabilizasse a sua utilização
numa linha de produção, em tempo-real. Para tal, foi
seleccionada uma plataforma de desenvolvimento EZ-
KIT-LITE baseada num Processador Digital de Sinal
(DSP) da Analog Devices.
Esta plataforma apresenta vários componentes sendo
de salientar o seu processador e o conversor de sinais.
Energia Espectral Tijolo MAU
130 Processador de Sinal - ADSP-21061 SHARC
Banda 1
O ADSP-21061 SHARC é um DSP de vírgula
125
Banda 2 flutuante, de 32bits, accionado por um relógio a 50
120 Banda 3 MHz [4]. Os DSPs (e o ADSP-21061 em particular)
são microprocessadores optimizados para o
115
processamento de sinais em tempo-real. Incluem
110 periféricos ‘on-chip’ com capacidade de transferir
105
informação a ser processada em tempo-real,
apresentam memória interna configurada numa
100
arquitectura do tipo Harvard que permite aceder em
95 simultâneo a dados e código, e apresentam um
conjunto de instruções optimizado para processamento
90
de sinal [5].
85
Conversor AD1846 SoundPort Stereo Codec
80
1 2 3 4
Segmento de FFT
5 6
O AD1846 é o circuito integrado responsável pela
aquisição e reprodução dos sinais analógicos. Integra
no mesmo componente um conversor A\D stereo e um
conversor D\A stereo utilizando tecnologia Σ∆. As
amostras são quantificadas em 16 bits podendo a sua
frequência de amostragem ser configurada até aos 48
kHz. Nesta aplicação configurou-se para a frequência
de 44.1 kHz.
Permite ainda a controlo da amplificação tanto na
entrada como na saída.
A comunicação com o processador faz-se através de
uma porta série.
Um factor importante para a implementação de um
algoritmo em tempo-real numa plataforma são as
ferramentas de desenvolvimento.
O código foi desenvolvido em linguagem ANSI C
recorrendo-se a um compilador de C específico para
este processador. A utilização de uma linguagem de
alto nível para aplicações de processamento de sinal
em tempo-real tem beneficiado de avanços ao nível da
optimização possibilitando a produção de código
eficiente num tempo de desenvolvimento muito curto.
O desenvolvimento também beneficiou da utilização de
livrarias com funções de processamento de sinal
optimizadas.
Após a produção de um programa executável segue-se
uma etapa de verificação e validação dos resultados
obtidos. Para tal utilizou-se uma ponta de prova EZ-
ICE da Analog Device que permite a inspecção não
intrusiva do desenrolar do programa através de um
Computador Pessoal. Esta ferramenta permite uma
mais fácil identificação e resolução de eventuais falhas.
Sistema classificador
O sistema e constituído por três elementos básicos que
representam a fase de captação da resposta
impulsional, a fase de análise desta resposta e cálculo
de um critério de classificação, e a fase de informação
desta classificação.
O Microfone é o elemento responsável pela aquisição
das respostas impulsionais.
Após análise da fidelidade de várias alternativas
disponibilizadas, foi seleccionado um microfone
dinâmico com características satisfatórias para a níveis sonoros, como se exemplifica na Figura 6 (em
aquisição. que se pode ver semelhança com o estudo por
simulação da Figura 5).
A Plataforma de processamento é a própria O carácter diferenciador utilizado reside no diferente
plataforma EZ-KIT-LITE a funcionar autonomamente decaimento das energias nas mesmas bandas mas
com entradas/saídas para áudio, memória, conversores resultando de tijolos diferentes e também nos
e DSP. Este elemento é responsável pelo tratamento diferentes decaimentos entre bandas distintas mas
digital em tempo-real dos dados e pela tomada de resultando do mesmo tijolo. Quantificaram-se estes
decisão (i.e. cálculo do critério de classificação). aspectos através das seguintes métricas:
7
A Sinalização binária é fornecida por uma coluna
activa que produz um sinal sonoro perante uma
B= ∑E
2
B (1) − EB (K ) (2)

classificação de BOM ou MAU. 7

A sinalização sonora é acompanhada de informação
visual transmitida através de um sinal luminoso.
M = ∑E
2
M (1) − EM (K ) (3)

7
4. ALGORITMO IMPLEMENTADO A= ∑E
2
A (1) − E A (K ) (4)

O algoritmo implementado é constituído por um em que E representa as energias de curto-termo (11ms)

critério de detecção, um critério de análise e um nas várias bandas, A é referente a Altas frequências, M
critério de classificação. a frequências Médias e B a Baixas frequências, como
indicado no ponto 2 em Análise por DFT. O índice K
Critério de detecção refere a ordem da transformada calculada.
Detecta automaticamente a presença de uma resposta Após o cálculo destes valores, submetem-se ao
impulsional através de uma detecção de não- seguinte critério:
estacionaridades [6]. As não-estacionaridades do sinal
M − C1 A − C3 C − (A − M)
são monitoradas através de um detector de transitórios. CRIT = 0.5 + 0.2 + 0.3 5 (5)
A sua implementação é baseada num filtro LPC de 5ª C2 C4 C6
ordem e a energia dos resíduos de predição é usada Em que as constantes C1, C2, C3, C4, C5 e C6 dependem
para activar o critério de análise. dos tipos de tijolo e das condições de ensaio.

Critério de análise 5. TESTES E RESULTADOS

No estudo de simulação (ponto 2) foram descritos
vários critérios de análise. Seleccionou-se para
implementação a Análise pela Transformada de Fourier
(DFT) já que alguns testes preliminares revelaram que
era suficientemente robusta para uma primeira versão
de demonstração.
Critério de classificação
O critério de classificação baseou-se na análise do
decaimento espectral de diferentes respostas, em três
bandas.
Energia Espectral Tijolo MAU
130
125
120
As condições de teste para validar o critério
seleccionado supuseram a caracterização binária (Bom,
Mau) de 12 respostas impulsionais distintas,
aleatoriamente ordenadas, sendo destas 6 referentes a
tijolos Bons e 6 referentes a tijolos Maus. Os testes
foram elaborados para diferentes níveis de ruído. O
tipo de ruído injectado apresenta uma densidade
espectral uniforme nas frequências (ruído branco).
Tomando como referência (0dB) a amplitude máxima
observada na resposta impulsional dos tijolos,
Energia Espectral T ijolo BOM
desenvolveram-se testes com os níveis de ruído branco
130
de -40dB, -30 dB, -20dB e -10dB. Os resultados
125 apresentam-se na tabela 1:
120

115 115
Nível ruído Janela Janela
Magnitude (dB)

Magnitude (dB)

110 110

105 105
(dB) rectangular Hanning
100 100

95 95
-40 100% 100%
B B
90 M
A
90 M
A
-30 100% 100%
85 85

80 80 -20 75% 50%

1 2 3 4 5 6 7 1 2 3 4 5 6 7

Se gme nto de FFT Se gm e nto de FFT -10 - -

Figura 6: Comparação da envolvente da energia espectral em Tabela 1:Percentagem de classificações correctas para as
3 bandas (Baixa, Média e Alta) para um dos níveis testados diferentes condições de teste.
da resposta do tijolo BOM e do tijolo MAU.
Com uma janela de análise rectangular obtiveram-se
Utilizaram-se dois tipos de janelas de análise, a janela 100% de classificações correctas para os níveis de
rectangular e a janela de Hanning [7]. ruído de -40 dB e -30 dB. Para o nível de -20 dB
Recolheram-se também várias estatísticas respeitantes obteve-se uma taxa de 75% de sucesso com tendência
a diferentes respostas impulsionais com diferentes
 para classificar as respostas impulsionais de tijolos
Maus como Bons.
Para o nível de -10dB o sistema não detecta as
respostas impulsionais e portanto não as classifica. Este
comportamento não é surpreendente porque para estes
níveis as respostas impulsionais dos tijolos encontram-
se ‘imersas’ em ruído.
Para o algoritmo com uma janela de análise do tipo
Hanning obtiveram-se resultados de 100% de acertos
para níveis de ruído de -40 e -30dB, sendo os
resultados para o nível de -20 dB caracterizados por
uma taxa de 50% de acerto, verificando-se a tendência
atrás referida de classificar Maus como Bons. Para o
teste com o nível de -10dB também não se detectaram
as respostas impulsionais.
Estes resultados traduzem unicamente o desempenho
da solução implementada para dois tijolos pré-
classificados. Para uma avaliação mais correcta da
probabilidade de classificação correcta necessitar-se-ia
de caracterizar o ruído de fundo industrial, assim como
considerar um universo mais representativo de
amostras.
6. CONCLUSÃO
Este trabalho teve por objectivo efectuar uma primeira
investigação sobre alguns métodos computacionais
para a classificação automática de peças de barro a
partir da sua resposta ao impulso mecânico. Foram
usados para ensaio dois tijolos pré-classificados.
Através da análise detalhada da sua resposta ao
impulso foram simulados vários métodos de
classificação, quer recorrendo a aspectos no domínio
dos tempos, quer no domínio das frequências. Foi
implementado numa plataforma baseada em DSP, a
operar em tempo-real, um dos métodos simulados que
fundamenta o critério de classificação na evolução
temporal do conteúdo espectral da resposta ao impulso.
Concluiu-se que mesmo com ruído ambiente intenso,
o método implementado efectua uma identificação
robusta entre tijolos aceitáveis e rejeitáveis.
Pode-se portanto concluir que, a não ser que a
incidência de ruído seja exagerada, o método testado
revela-se eficaz. Por outro lado, os resultados obtidos
demonstram que é possível conseguir uma
classificação binária robusta de tijolos recorrendo a
algoritmos simples, de implementação barata num
processador digital de sinal (DSP). É contudo
necessário não perder de vista que caso o sistema
implementado seja deslocado para uma linha de
produção em ambiente industrial, o estudos e
conclusões traduzidas neste relatório não são
definitivos. De facto, a eficácia e robustez de um
qualquer algoritmo só podem ser aferidas e melhoradas
considerando as condições reais de funcionamento,
nomeadamente a especificidade do ruído industrial e
View publication stats
tipo de excitação (tipo de martelo, condições de
activação mecânica).
Neste sentido, procurar-se-á agora reforçar este estudo
de modo a:
1. ponderar o efeito do accionador mecânico
gerador do impulso,
2. ponderar eventuais variações dentro do mesmo
tipo de peça cerâmica,
3. investigar a robustez dos métodos de
classificação ao ruído industrial,
4. concluir sobre as necessidades/possibilidades de
auto-calibração de diferentes métodos de classificação,
5. investigar outros critérios de classificação usando
ferramentas mais complexas de análise de sinais não-
estacionários e/ou sinusóides amortecidas.
Finalmente, de modo a credibilizar cientificamente um
eventual algoritmo de classificação de peças de barro a
partir da análise da sua resposta sonora ao impulso e
com uma ambição maior do que a simples triagem
binária, torna-se também necessário realizar um estudo
complementar que caracterize a correlação existente
entre a resposta sonora de uma peça cerâmica, quando
sujeita a um impulso mecânico, e os seus defeitos
estruturais.
Todo o sistema está demonstrável na forma de um
demonstrador didáctico que também foi construído.
Agradecimentos
Os autores agradecem ao Eng. Barros Lopes por ter
sugerido a ideia deste trabalho, ao Prof. Vitor Ferreira
por ter apoiado a realização e divulgação deste
trabalho, e ao Centro Tecnológico da Cerâmica e do
Vidro de Coimbra por ter gentilmente cedido os dois
tijolos testados.
7. BIBLIOGRAFIA
[1] Aníbal J. S. Ferreira, José Vieira, “Métodos
Computacionais para a Classificação Automática de
Tijolos”, Comunicação Privada, Fevereiro 1998.
[2] N. S. Jayant and Peter Noll, “Digital Coding of
Waveforms”, Prentice-Hall Inc, 1984.
[3] Aníbal J. S. Ferreira, “Perceptual Coding of
Harmonic Signals”, Audio Engineering Society,
Copenhaga, Dinamarca 11-14 Maio 1996, Preprint
4177(F-4).
[4] “ADSP-2106x SHARC User’s Manual - Second
Editon”, Analog Devices , Julho 1996.
[5] Craig Marven & Gillian Ewers, “ A simple
approach to Digital Signal Processing”, Texas
Instruments 1994.
[6] Aníbal J. S. Ferreira, “Audio Spectral Coder”,
Audio Engineering Society, Copenhaga, Dinamarca
11-14 Maio 1996, Preprint 4201(I-6).
[7] Alan V. Oppenheim e Ronald W. Schafer, “Digital
Signal Processing”, Prentice-Hall Inc.,1979.