1. PROYECTO VAMAD
PRESENTACIÓN DEL PROYECTO
VAMAD:
DESARROLLO DE SISTEMAS
INNOVADORES DE VISIÓN ARTIFICIAL
PARA LA DETECCIÓN DE DEFECTOS EN
SUPERFICIES DE MADERA Y DE
MATERIALES DERIVADOS
Autor: Miguel Ángel Abián
FIT-170260-2007-1
1
2. PROYECTO VAMAD
1. Los defectos en el sector del mueble
En el sector del mueble, la aparición de defectos en superficies
acabadas de madera o de materiales derivados constituye un
problema que ocasiona grandes pérdidas económicas, pues a
menudo estos defectos no se detectan a tiempo. Hasta el
momento, dichas superficies se inspeccionan visualmente, lo cual
enlentece la producción y aumenta los costes de fabricación y del
control de calidad.
En la Unión Europea, se calcula que las pérdidas económicas
debido a la detección tardía de defectos en superficies pintadas,
barnizadas y lacadas es de unos 50 millones de €uros anuales.
Varios estudios indican que las dos principales causas de
reclamaciones en el sector del mueble son los defectos derivados
del transporte y el deterioro en el acabado (ambas causas suman
el 80% de las reclamaciones). Asimismo, la decisión de compra de
un determinado mueble se debe en un elevado porcentaje (65%) a
la buena apariencia de su acabado.
2
3. PROYECTO VAMAD
1. Los defectos en el sector del mueble
La lista de defectos es muy larga:
- Cráteres
- Descascarillado (exfoliación)
- Goteo
- Decoloración (sangrado)
- Blanqueo (tizado)
- Rotura de la película (crack)
- Poros
- Polvo en la película (contaminación)
- Ojos de pescado
- Arrugas (hinchazón, quemado)
- Piel (cáscara) de naranja
- Piel (o cáscara) de naranja
- Células de Bénard
- Rayas
- Burbujas
- Marcas de lijado
- Velado (mareado)
- Amarilleo
- Ampollas
- Desconchados
- Grietas
-…
- Descuelgues
3
4. PROYECTO VAMAD
1. Los defectos en el sector del mueble
Ejemplos de efectos: (a) amarilleo; (b) ampollas; (c) burbujeo ; (d) arrugas
4
5. PROYECTO VAMAD
1. Los defectos en el sector del mueble
Ejemplos de efectos: (a) cráter; (b) escamas; (c) escarchado ; (d) goteo
5
6. PROYECTO VAMAD
2. Objetivos del proyecto
Objetivo 1: Obtener una clasificación normalizada de los defectos
(tipo, tamaño y frecuencia) que aparecen en superficies de
materiales derivados de la madera, tanto cruda como acabada.
Objetivo 2: Definir una valoración de las superficies en función de
los defectos que se encuentren en ella.
Objetivo 3: Desarrollar una tecnología altamente innovadora de
visión artificial e implementarla en varias empresas del sector
madera-mueble de las Comunidades Autónomas participantes.
Objetivo 4: Difundir la nueva tecnología en los sectores de la
madera, mueble y derivados.
6
7. PROYECTO VAMAD
2. Objetivos del proyecto
Objetivo 1: Obtener una clasificación normalizada de los defectos (tipo,
tamaño y frecuencia) que aparecen en superficies de materiales derivados de
la madera, especialmente en las acabadas.
1. Debe realizarse un estudio de los defectos más relevantes, sus
morfologías, tamaños, variaciones y causas a fin de aunar
criterios y establecer la plataforma de conocimientos sobre la
cual se basará el sistema de VA a la hora de detectar y
clasificar anomalías.
2. Debe establecerse un vocabulario común y no ambiguo para
los defectos en acabados, así como definiciones precisas de
cada uno.
7
8. PROYECTO VAMAD
2. Objetivos del proyecto
Objetivo 2: Definir una valoración de las superficies en función de los
defectos que se encuentren en ella.
1. Para cada producto derivado de la madera, debe definirse la
calidad de sus superficies atendiendo a los criterios de los
expertos y a las normas europeas pertinentes en los casos en
que haya. Ejemplos: EN 635-2:95 y EN 635-3:95 (tableros
contrachapados); EN 13489:02 (parquets flotantes); EN
14322:04 y EN 14323:04 (tableros revestidos de melamina).
2. Mediante entrevistas con expertos y encuestas en las empresas
deben determinarse cuáles son los defectos más usuales y los
que más pérdidas económicas generan. Esos defectos serán
prioritarios para ser detectados mediante el sistema de VA.
8
9. PROYECTO VAMAD
2. Objetivos del proyecto
UNE-EN 635-2,UNE-EN 635-3.
Clasificación de los defectos de fabricación para tableros contrachapados
(frondosas y coníferas).
Tabla de admisión de defectos
9
10. PROYECTO VAMAD
2. Objetivos del proyecto
UNE-EN 14322.Tableros revestidos con melamina para utilización
exterior. Definición, requisitos y clasificación.
• Los defectos de aspecto se detectan y se clasifican según la
norma EN 14323.
• Las unidades son el mm2/m2 y mm/m2.
• Los requisitos son, para todo rango de grosor del
revestimiento, que hayan 2 o menos puntos defectuosos y
su longitud sea ≤ 20 mm.
UNE-EN 14323.Tableros revestidos con melamina para utilización
interior. Métodos de ensayo
Los defectos de aspecto son aquellos que tienen una superficie mínima de
0.8 mm2, y pueden observarse a una distancia de 0.7 m bajo un ángulo
de 45º.
Se miden bajo una fuente de luz difusa, que aporte una iluminación
uniformemente repartida sobre las superficies de entre 2000 y 5000 Lux.
Puede ser de luz natural o artificial y la distancia a la superficie de 1,5
metros.
10
11. PROYECTO VAMAD
2. Objetivos del proyecto
UNE-EN ISO 4628-1. Designación de la intensidad, cantidad y tamaño
de los tipos más comunes de defectos.
• La cantidad de defectos diseminados sobre el área de ensayo, con
mayor o menor intensidad, se debe asignar de acuerdo con la tabla. El
grado se debe expresar con un número entero, salvo especificación
contraria.
Grado Cantidad de defectos
0 Ninguno, es decir, no se detectan defectos
Muy pocos, es decir, algunos defectos
1
escasamente significativos
Pocos, es decir, pequeña, pero significativa
2
cantidad de defectos.
3 Moderado número de defectos
4 Considerable número de defectos
5 Densa concentración de defectos
11
12. PROYECTO VAMAD
2. Objetivos del proyecto
El tamaño medio de los defectos debe designarse, si es necesario y
significativo, de acuerdo con la siguiente tabla.
Grado Tamaño de defectos
0 No visibles con 10 aumentos.
1 Visibles sólo con aumentos de hasta X10.
2 Incipientemente visibles con una visión normal corregida.
Claramente visibles con visión normal corregida (hasta 0.5
3
mm).
4 Desde 0.5 mm a 5 mm.
5 Mayores de 5 mm.
Cuando el área de ensayo muestre defectos de distintos tamaños, se
remite al tamaño de los defectos que sean suficientemente numerosos
como para poder ser típicos del área de ensayo. El tamaño de los defectos
se debe registrar utilizando la designación Sn, donde S indica tamaño y n
el número de grado.
Ej. Defecto mayor de 5 mm S2.
12
13. PROYECTO VAMAD
2. Objetivos del proyecto
• Para designar la intensidad de cambio de los defectos se usa la tabla siguiente,
que hace referencia a la intensidad de deterioro uniforme en la apariencia
(visual) del recubrimiento, tales como cambios de color (por ejemplo, el
amarilleo). Los grados se expresan con un número entero.
Grado Intensidad del cambio
0 Inalterado, es decir, ningún cambio perceptible.
1 Muy ligero, es decir, cambio incipientemente perceptible.
2 Ligero, es decir, cambio claramente perceptible.
3 Moderado, es decir, cambio muy claramente perceptible.
4 Considerable, es decir, cambio pronunciado.
5 Cambio muy intenso.
El tipo de defecto, la cantidad presente y su tamaño se deben expresar
como en los siguientes ejemplos:
Ampollamiento: grado de ampollamiento 2(S2)
Descamación: grado de descamación 3(S2).
13
14. PROYECTO VAMAD
2. Objetivos del proyecto
UNE-EN ISO 4628-2. Evaluación del grado de ampollamiento.
La cantidad y el tamaño de las ampollas en un recubrimiento de pintura se
evalúan utilizando las fotografías de la calibración bajo una buena
iluminación.
Calibración mediante un Calibración con sistema de
sistema visual imágenes ópticas
14
15. PROYECTO VAMAD
2. Objetivos del proyecto
UNE-EN ISO 4628-4. Evaluación del grado de agrietamiento.
La cantidad y el tamaño de las grietas en un recubrimiento de pintura se
evalúan utilizando las fotografías de la calibración bajo una buena
iluminación.
Calibración de arrugas sin Calibración de arrugas con
dirección preferente dirección preferente
Calibración de
arrugas de forma
sigmoidal
15
16. PROYECTO VAMAD
2. Objetivos del proyecto
Objetivo 3: Desarrollar una tecnología altamente innovadora de visión
artificial e implementarla en varias empresas del sector madera-mueble
de las Comunidades Autónomas participantes.
El objetivo principal del proyecto es desarrollar un sistema de visión
artificial automatizado e innovador para la detección de defectos en
superficies de madera maciza y de tableros derivados de la madera
(fundamentalmente aglomerados de partículas y de fibras MDF rechazados
o melaminizados, pero también contrachapados y alistonados).
La inspección de superficies acabadas es difícil debido al gran número de
posibles defectos y a que muchos de ellos sólo pueden detectarse
correctamente si la superficie de interés se estudia desde distintas
direcciones de iluminación. Una imagen de un defecto desde un
determinado ángulo de iluminación puede ocultar el defecto o hacerlo
indetectable por las técnicas convencionales. Tanto las superficies de
madera como las de roca pulida o las metálicas de alta precisión son
superficies no cooperativas (superficies muy reflectantes).
16
17. PROYECTO VAMAD
2. Objetivos del proyecto
En general, diseñar un sistema de visión artificial es una tarea
multidisciplinar que abarca los siguientes aspectos:
1) preparación de las muestras;
2) presentación de las muestras a la cámara;
3) iluminación;
4) óptica;
5) adquisición de la imagen;
6) procesado de señales analógicas y digitales;
7) arquitectura de sistemas informáticos;
8) software;
9) interfaz del sistema de visión con otras máquinas;
10) conexión en red;
11) interfaz con el usuario;
12) prácticas de seguridad y calidad.
17
18. PROYECTO VAMAD
2. Objetivos del proyecto
Objetivo 4: Difundir la nueva tecnología en los sectores de la madera,
mueble y derivados.
1. Deben prepararse materiales de difusión (folletos, trípticos,
notas de prensa, artículos científicos o técnicos) del proyecto y
sus resultados.
2. Deben difundirse los resultados entre las empresas de madera
y materiales derivados (mediante seminarios, jornadas
técnicas, revistas sectoriales, recintos en ferias, etc.).
3. Al final del proyecto, debe prepararse material para formar a
los técnicos de las empresas en el uso del sistema de VA.
18
19. PROYECTO VAMAD
3. Base técnica del proyecto
El sistema de visión artificial puede describirse como la fusión de las
siguientes técnicas del área del procesamiento digital de imágenes y del
tratamiento de señales:
1) Técnicas de iluminación
2) Métodos de fusión de datos
3) Métodos de reconocimiento de patrones mediante invariantes
4) Clasificador de aprendizaje supervisado
19
20. PROYECTO VAMAD
3. Base técnica del proyecto
Número de imágenes
Serie de imágenes:
20
21. PROYECTO VAMAD
3. Base técnica del proyecto
Cámara
Detección por modelado
r
n
n θ θ‘
θ θ‘ Superficie barnizada
21
22. PROYECTO VAMAD
1 rint ≤ x − x 0 ≤ rext
m(x ,r ) =
0 woanders
rint = r , rext = c ⋅ r , r
x 0 = (2r + w ,2r + w ) w, c > 0
1 −
x −xp
h(x ,ϕ ,r ) = ⋅ e 2⋅σ
2
2πσ 2
t (x ,ϕ ,r ) = m(x ,r ) ⋅ h(x ,ϕ ,r )
r −r
x p = x 0 − ext int (sin ϕ ,cos ϕ )
T
2
360
σ = q ⋅ rint ⋅ sin , q > 0
2B
Detección por modelado 22
23. PROYECTO VAMAD
Filtro de correlación
g (x ) = c ⋅ o(x − x 0 ) + r (x )
∫ ∫ g (x )o(x − x 0 − τ )dx
=
* Es máximo para: τ = x 0
o(x)
g ( x ) ∗ ∗ o(− x )
Máximo para: x = x o
g (x )
Filtro de correlación
v( x ) = o(− x ) V ( f ) = O∗ (f )
o(x ) 23
24. PROYECTO VAMAD
Filtro de correlación usando modelos
• A. Pérez, M. Abián, F. Puente León and R. Pérez. Detection of circular defects on
varnished or painted surfaces by image fusion. Proceedings of the IEEE International
Conference on Multisensor Fusion and Integration for Intelligent Systems, páginas 255-260, 3-
6 Septiembre 2006, Heidelberg.
24
25. PROYECTO VAMAD
3. Base técnica del proyecto
Características invariantes
La idea de construir características invariantes a rotaciones y
traslaciones basadas en integración consiste en aplicar
funciones de kernel no lineales f(I) a imágenes en escala de
grises (I) y en integrar el resultado sobre todas las posibles
rotaciones y traslaciones:
donde Tlfl(I) es la característica invariante de la imagen; M y N
son las dimensiones de la imagen; y g es un elemento del
grupo de transformaciones G.
La ecuación anterior sugiere que las características invariantes
se pueden calcular aplicando la función no lineal f a las
vecindades de cada píxel en la imagen y luego sumando todos
los resultados para obtener un solo valor que represente la
característica invariante.
25
26. PROYECTO VAMAD
3. Base técnica del proyecto
Características invariantes
Ejemplo de una función de kernel de tipo monomio:
f(I) = I(0,3) x I (0,6)
El valor en escala de grises de un punto en el círculo de radio
r=3 alrededor de (n0, n1) se multiplica por el valor en escala de
grises de un punto sobre el círculo de radio r=6. Se considera
también un desplazamiento de 90º entre los puntos.
26
27. PROYECTO VAMAD
Integral de Haar
Imagen:
Transformación:
Característica invariante (integral de Haar):
Grupo euclídeo 2D:
27
28. PROYECTO VAMAD
3. Base técnica del proyecto
SUPPORT VECTOR MACHINE (SVM)
• Técnica para clasificación y regresión.
• Método de aprendizaje supervisado.
• Usa un conjunto de ejemplos para entrenamiento.
• Solución “única”.
• Robusto a ruido, multiples dimensiones y redundancia en
las dimensiones.
• SVM usan modelos lineales para implementar clases con
separaciones no lineales.
• Se transforma la entrada utilizando una transformación no
lineal; es decir, transforma el espacio de entrada en un
nuevo espacio.
28
29. PROYECTO VAMAD
3. Base técnica del proyecto
SUPPORT VECTOR MACHINE (SVM)
Posibles fronteras de decisión para datos linealmente separables
29
30. PROYECTO VAMAD
3. Base técnica del proyecto
SUPPORT VECTOR MACHINE (SVM)
Objetivos de la SVM:
• Dado un conjunto de ejemplos de entrenamiento,
construir un hiperplano “w” como superficie de decisión.
• De tal forma que la separación de las dos clases sea
máxima (principio de generalización).
30
31. PROYECTO VAMAD
3. Base técnica del proyecto
SUPPORT VECTOR MACHINE (SVM)
b11 B1 b12
B2
Margen de decisión
31
32. PROYECTO VAMAD
3. Base técnica del proyecto
SUPPORT VECTOR MACHINE (SVM)
Ventajas de la SVM:
• El entrenamiento es relativamente fácil.
• No hay óptimo local, como en las redes neuronales.
• Se escalan relativamente bien para datos en espacios
dimensionales altos.
• El compromiso entre la complejidad del clasificador y
el error puede ser controlado explícitamente.
• Datos no tradicionales como cadenas de caracteres y
árboles pueden ser usados como entrada a la SVM, en
vez de vectores de características.
32
33. PROYECTO VAMAD
3. Base técnica del proyecto
Propuesta para el prototipo de laboratorio del sistema de VA
Cámara
Iluminación
Iluminación
XY- Plataforma
Arco fijo
Plato móvil Arco móvil
33
34. PROYECTO VAMAD
4. Estructura del proyecto
AIDIMA y CETEM: conocimiento Prototipo industrial
de madera y materiales AIDO: conocimiento de
derivados (y sus defectos) técnicas tradicionales de
Definición de defectos para detectar, visión artificial y experiencia
recopilación de muestras y pruebas en prototipos de VA
del sistema
UPMunich (subcontrat.):
Sistema final instalado en conocimiento de técnicas
la industria innovadoras de visión artificial
Prototipo de laboratorio
AIN: conocimiento de los
problemas de los prototipos y
experiencia en integración
industrial de prototipos de VA
Instalación del prototipo industrial
en empresas
34