Detección de objetos circulares y semicirculares mediante técnicas de visión artificial.

1. Detección de objetos circulares y semicirculares mediante técnicas de visión artificial. Jorge Manuel Tadeo Estrada Alejandro Martínez Alcaraz Asesores: M. en C. Luis Eduardo Moran López Dr. Víctor Hugo Castillo Topete 1

2. MENÚ • Introducción • Justificación • Objetivos • Desarrollo del sistema • Pruebas • Conclusiones 2

3. Introducción • Nuestro proyecto consiste en diseñar un sistema que detecte, cuente y obtenga las medidas de diversos objetos circulares; la detección, el conteo y la obtención de medidas de los objetos circulares la haremos con la implementación de técnicas de visión artificial a imágenes digitales capturadas con una cámara, por medio de la librería de procesamiento de imágenes de código abierto Opencv. 3

4. Justificación • El proyecto fue desarrollado para uso de control de calidad en tareas repetitivas donde interviene el ser humano, que debido a que mientras se prolonga el tiempo en este tipo de tareas se tiende a producir errores, así como, para disminuir el tiempo que requiere este tipo de actividades. 4

5. Objetivos • General: Implementar un sistema de detección de objetos circulares y semicirculares, que desarrollamos a base de técnicas de visión artificial, con el fin de identificar, medir y contar dichos objetos de manera automática y en tiempo real. 5

6. Objetivos • Objetivos específicos: • Analizar técnicas de procesamiento digital de imágenes y reconocimiento de patrones. • Determinar la técnica que nos ayuden a resolver el problema de detectar y localizar objetos circulares y semicirculares en escenas digitalizadas. 6

7. Objetivos • Diseñar el sistema de detección que automatice la identificación, el conteo y la medición de objetos circulares y semicirculares por medio de una videocámara y una computadora. 7

8. Modelo general de un sistema de visión artificial 8

9. Adquisición de Imágenes • Para esta etapa se utiliza una cámara web convencional de 1.3 mega pixeles de la marca “Geniuz” con capacidad de capturar 30 fotogramas por segundo a una resolución de 640 x 480 pixeles. 9

10. Pre-Procesamiento • Una vez obtenidas las imágenes es necesario eliminar la mayor cantidad de ruido e imperfecciones, para poder realizar una segmentación más precisa, con este fin se implementaron 2 filtros, el filtro gaussiano para eliminar todos los puntos blancos y el filtro de la media que nos ayuda a suavizar los bordes. 10

11. Filtro Gaussiano • El filtro gaussiano nos permitió eliminar el ruido blanco de las imágenes, es decir este filtro se encarga de desechar la mayor cantidad de pixeles con tonalidad distinta a los del resto de la imagen. 11

12. Filtro de la media • Este filtro nos ayudó a suavizar la imagen para obtener una mayor precisión a la hora de realizar la búsqueda de bordes. 12

13. Segmentación • En esta etapa se utilizó el algoritmo de “Canny” el cual nos ayudó a identificar los contornos para poder separar el fondo de la imagen de nuestras regiones de interés (círculos). 13

14. Representación y Descripción • Para esta etapa se utilizó el método de Hough el cual nos ayudó a identificar las características geométricas principales de los objetos de interés 14

15. Reconocimiento e Interpretación • En esta etapa se logró reconocer diversos objetos por medio de sus características geométricas tales como área, perímetro, radio, etc. • La principal característica que se tomó fue el tamaño ya que según la variación de este se puede visualizar el margen de error en la producción. 15

16. Reconocimiento e Interpretación 16

17. Objetos reflejantes

18. Pelets

19. Montículo de pelets

20. Conclusiones • Se logró optimizar el tiempo y la cantidad de datos procesados para obtener resultados más precisos y ágiles. • Se lograron detectar más del 90% de los objetos contenidos en las imágenes, esto nos da un amplio valor de aceptación del algoritmo, así mismo se logró la clasificación de objetos por tamaño en tiempo real dando como resultado un margen de fiabilidad de 90% a 96%. 20