Visión artificial para detección automática de fallas estructurales en botellas de vidrio

Abstract

En el presente trabajo se propone y desarrolla una metodología a nivel de software, enfocada a dar solución al problema de detección de defectos físicos en la corona inferior de botellas de vidrio, y para ello se hace uso de algunas técnicas de procesamiento digital de imágenes clásico como: filtros mediana, el detector de bordes de Sobel y la Transformada de Hough. Además durante ésta investigación se han probado y empleado técnicas más actuales como redes neuronales y morfología matemática, para observar sus posibles beneficios como técnicas de reconocimiento de patrones y filtrado. Dicha metodología está integrada de siete etapas en las que se realiza la adquisición de la imagen (etapa 1) mediante hardware firewire e iluminación controlada tipo Backlight, (etapa 2) se elimina ruido de la imagen mediante un filtro de mediana, se obtiene el gradiente de la imagen empleando el operador de Sobel y después (etapa 3) se binariza la imagen, enseguida (etapa 4) con la transformada de Hough se detectan líneas con ángulos de inclinación dentro del intervalo discreto de -3 a 3 grados y en base a su ubicación dentro de la imagen, se determina cuál esas líneas es la que representa el borde de la corona superior de la botella. Posteriormente se segmenta la imagen (etapa 5) extrayendo el área en donde es posible encontrar los bordes que representan el defecto de la botella y para ello se realiza un desplazamiento vertical a partir de la posición de línea que representa el borde de la corona superior de la botella y hasta llegar a la zona de interés. Para lograr que dicho desplazamiento se realice de forma adecuada sin importar la variación de escala de las imágenes, se programaron algunas formulas para: normalizar el tamaño de la imagen de entrada, calcular el área de la zona de interés y obtener el número de píxeles que se deben recorrer para llegar a la zona de interés. Después (etapa6) se eliminan los bordes que no representan ningún defecto, se unen los bordes separados que si representan algún defecto y además se aumenta el tamaño de estos, mediante las operaciones morfológicas: apertura, cerradura, dilatación y erosión. Finalmente, (etapa 7) se calcula el momento de orden cero (área) como rasgo descriptor del defecto y este dato es comparado con uno previamente preestablecido, y con base al resultado de ésta comparación la imagen es clasificada dentro de alguna de las clases: “botella con defecto” y “botella sin defecto”. // In this work, a software level methodology is proposed and developed, focused on give a solution to the physical defect detection problem, with regards to defects located in the inferior collar of glass bottles. To achieve this, some techniques of classical digital image processing are used, like: Median Filter, Sobel Edges Detector and Hough Transform. Moreover, recent techniques as neural networks and mathematical morphology have been proved and used during this research to observe their possible benefits as pattern recognition and filtering techniques. Such methodology is formed by seven stages where (stage 1) Acquisition is done by means of firewire hardware and controlled backlight illumination; (stage 2) noise is eliminated from the image through a median filter, the image gradient is obtained by using the Sobel operator and then, (stage 3) the image is binarized, then (stage 4) using the Hough Transform lines with a discrete defined slope from -3 to 3 grades are detected, so the line representing the top collar of the bottle is determined. Subsequently, the image is segmented (stage 5) by extracting the area of interest where edges representing the bottle defect can be found, to do that a vertical displacement is performed from the line position representing the top collar to the zone of interest. To achieve that this movement is done correctly, regardless of image scale variation, some formulas were programmed to: normalize input image size, calculate zone of interest area and obtain the pixels numbers that must be jumped to reach the correct zone of interest. Afterwards, (stage 6) edges not representing any defect are vanished, separated failure edges are unified and its size is increased as well, by means of morphological operations: aperture, closure, dilatation and erosion. Finally, (stage 7) the zero order moment (area) is calculated as feature descriptor of the defect and this data is compared to a setpoint previously identified and, depending on the comparison result, the image is classified as member of one class: “defective bottle” and “bottle without defects”.