SalmorejoTech 2024 - Spring Boot <3 Testcontainers
Reunión noviembre 2008 proyecto VAMAD
1. VAMAD
VAMAD:
DESARROLLO DE SISTEMAS
INNOVADORES DE VISIÓN ARTIFICIAL
PARA LA DETECCIÓN DE DEFECTOS EN
SUPERFICIES DE MADERA Y DE
MATERIALES DERIVADOS
FIT-170260-2007-1 Valencia, 7 de noviembre de 2008
Carácter documento: Público
Asistentes: AIDIMA, AIDO, AIN, CETEM, Universidad de Karlsruhe
Coordinación y edición: Miguel Ángel Abián
1
2. VAMAD
1. Marcha del proyecto
E1.1 E1.2 H1.1
TERMINADA
Dic. 07 En. 08 En. 08
ETAPA 1: Caracterización de la calidad superficial de la madera y de sus materiales
derivados, así como de las superficies acabadas.
E2.1 E2.2 H2.1
TERMINADA
Feb. 08 Mar. 08 Mar. 08
ETAPA 2: Creación de las bases de datos de defectos con las que se entrenará el sistema
de aprendizaje supervisado.
E3.1 E3.2 H3.1 TERMINADA
Sep. 08 Sep. 08 Sep. 08
ETAPA 3: Desarrollo de un prototipo del sistema de visión artificial a escala de laboratorio.
E4.1 E4.2 H4.1 EN MARCHA
Feb. 09 Mar. 09 Mar. 09
ETAPA 4: Desarrollo de un prototipo industrial del sistema de visión artificial.
2
3. VAMAD
1. Marcha del proyecto
E5.1 E5.2 H5.1 H5.2 H5.3
Sep. 09 Sep. 09 Sep. 09
ETAPA 5: Integración industrial del sistema de visión artificial en empresas de madera y tableros.
E6.1 E6.2 H6.1
EN MARCHA
Dic. 09 Dic. 09 Dic. 09
ETAPA 6: Transferencia del conocimiento.
3
4. VAMAD
1. Marcha del proyecto
Entregable 1.1. Informe sobre defectos en superficies acabadas y
sobre los defectos relevantes para la industria.
Durante la etapa 1 del proyecto se ha realizado una extensa búsqueda bibliográfica en
la que se han localizado normas (españolas, europeas e internacionales), artículos,
manuales, documentos y libros sobre los defectos de los acabados de las superficies de
madera y de materiales derivados. Al conocimiento obtenido del estudio de dichos
documentos se ha sumado el obtenido mediante entrevistas con expertos nacionales e
internacionales en defectos de acabados y mediante reuniones con diversas empresas del
sector del mueble y afines.
Todo este conocimiento es la base para la clasificación y cuantificación posterior de los
defectos de acabados en superficies de madera y derivados, conocimiento que será
introducido en el sistema de visión artificial que se desarrollará a lo largo del proyecto.
El sector del mueble y afines carece de un vocabulario común y sin ambigüedades para
los defectos, lo que imposibilita la aparición y aceptación de calidades estándares para los
acabados y dificulta la comunicación entre interlocutores.
4
5. VAMAD
1. Marcha del proyecto
Poros Cráteres
Grietas Velado
5
6. VAMAD
1. Marcha del proyecto
NOMBRE DEFECTO NOMBRE EN INGLÉS SINÓNIMOS EN ESPAÑOL
Velados Blushing Nebulización
Hazing Enturbiamiento
Exudación
Blanqueamiento
Lechoso
Neblina
Descuelgues Curtaining Escurriduras
Sagging Sangrados
Colgados
Grietas/ Chelcking
Cuarteamientos lineales Cracking
Grietas/ Chelcking Craqueado
Cuarteamientos red Cracking
Cráteres Pockmarking Ojo de pez
Cratering Ojo de pescado
En el entregable 1.1 se presenta una tabla que asigna a cada defecto su
traducción al inglés y los posibles sinónimos en inglés que existen, extraídos
tanto de publicaciones técnicas como del vocabulario de los técnicos que
trabajan en las industrias, así como los sinónimos para cada defecto en español
peninsular y americano.
6
7. VAMAD
1. Marcha del proyecto
Frecuencia de los defectos de acabados
Cráteres
2% Amarilleo
14% 15%
Grietas
2%
Velado
2%
Burbujas
14% Goteos
14%
Piel de naranja
Ampollas
2%
2% Descuelgues
12% Poros
19% 2% Granizados
Otros
Se distribuyó por correo electrónico y por fax un cuestionario a 51 empresas
del sector de la madera y derivados con el objetivo de conocer sus problemas,
tanto técnicos como económicos, con los diferentes tipos de defectos. La gráfica
muestra los resultados de la encuesta.
7
8. VAMAD
1. Marcha del proyecto
Entregable 1.2. Informe sobre la recopilación de muestras físicas de defectos
En la etapa 1 del proyecto se ha recopilado una gran cantidad de muestras de acabados de
madera o derivados con defectos en el acabado.
Para garantizar que dichas muestras sean representativas de los problemas que sufren las
empresas, muchas de ellas se recogieron en empresas de Murcia y de la Comunidad
Valenciana y son consecuencias de fallos reales durante los procesos de acabado (pintado,
barnizado, lacado, aplicación de lasures, revestimiento de tableros con melaminas, con papel
termofusible, con chapas, etc.). Un grupo más reducido de las muestras se ha creado en los
laboratorios de AIDIMA y CETEM mediante, por ejemplo, métodos de aplicación erróneos o
incompatibilidades entre los recubrimientos y el sustrato.
Las muestras defectuosas servirán para crear un banco de imágenes con que se entrenará
el sistema de clasificación que se usará en el proyecto (etapa 3: Desarrollo de un prototipo del
sistema de visión artificial a escala de laboratorio). Este sistema necesitará disponer de una
gran variedad de texturas para discriminar entre el dibujo de la madera y los defectos. Por
eso, se ha obtenido una amplia representación de los sustratos utilizados en la industria.
8
9. VAMAD
1. Marcha del proyecto
Creación artificial de defectos
9
10. VAMAD
1. Marcha del proyecto
Creación artificial de defectos en un túnel de
ultravioleta
10
11. VAMAD
1. Marcha del proyecto
Colección de muestras defectuosas
11
12. VAMAD
1. Marcha del proyecto
Colección de muestras defectuosas
12
13. VAMAD
1. Marcha del proyecto
Entregable 2.1. Informe sobre el banco de imágenes de defectos
Las superficies barnizadas se ubican dentro del grupo de superficies consideradas
"no cooperativas". Esta denominación responde al hecho de que la información
obtenida, mediante su observación, cambia con el ángulo de iluminación y observación
elegido. Por lo tanto, la adquisición de imágenes de este tipo de superficies, dado un
punto de observación fijo, representa un desafío desde el punto de vista de la
iluminación.
En nuestro caso, los defectos del barnizado solamente son parcialmente visibles
bajo un grupo limitado de ángulos de iluminación y observación. Esta característica
descarta el uso de luz difusa en favor de luz direccional. Bajo luz direccional, la
información sobre el defecto captada en la imagen no sólo es parcial, sino que cambia
a medida que se elige otra dirección de iluminación. Por tanto, una imagen tomada
bajo un determinado ángulo de luz describe sólo una parte del defecto, y resulta
necesario inspeccionar la superficie bajo otras direcciones de iluminación a fin de
completar esta descripción. Sólo así se obtiene la información necesaria para clasificar
la pieza defectuosa.
Lo anterior se traduce en la necesidad de generar una serie de imágenes. La serie
se consigue fotografiando sucesivamente la misma superficie, pero iluminando cada
vez desde una dirección distinta. De esta manera, cada fotografía posee una parte de
la información necesaria para reconocer el defecto. Analizando las series de imágenes
con algoritmos desarrollados por la Universidad de Karlsruhe, se podrá recopilar e
interpretar su contenido.
13
14. VAMAD
1. Marcha del proyecto
Las series de imágenes se han ido almacenando en un banco de imágenes, el cual
servirá en el futuro como entrada al sistema de aprendizaje supervisado encargado de la
clasificación de los defectos.
Serie de 16 imágenes correspondientes a un cráter
14
15. VAMAD
1. Marcha del proyecto
Serie de 16 imágenes correspondientes a una grieta y una burbuja
15
16. VAMAD
1. Marcha del proyecto
Sistema de adquisición de imágenes propuesto por la Universidad de Karlsruhe.
Para este muestreo se considera un ángulo de elevación θ fijo y un desplazamiento
discreto ∆ϕ en dirección del ángulo azimut. Es decir, a partir de un punto de partida
dado por (θ, ϕ=0) la fuente de iluminación se va rotando alrededor de la muestra
θ
tomándose una fotografía luego de cada desplazamiento igual a ∆ϕ ∆ϕ.
16
17. VAMAD
1. Marcha del proyecto
Entregable 2.2. Informe sobre las características invariantes y el clasificador
de aprendizaje supervisado
Este informe expone un método desarrollado por la Universidad de Karlsruhe para
obtener características invariantes a partir de series de imágenes. Este método ha sido
desarrollado a fin de detectar y clasificar defectos en superficies no cooperativas (aquellas en
que la información obtenida mediante observación cambia con el ángulo de iluminación y
observación elegido). En nuestro caso, los defectos de interés son defectos de barnices, lacas
o lasures sobre substratos de madera. Cada defecto se cataloga y recibe un nombre de
acuerdo a su apariencia, la cual está directamente relacionada con sus causas. La
clasificación de los defectos consiste en asignar a cada defecto detectado una clase
preestablecida que indique la naturaleza del mismo.
Debido a las características no cooperativas de la superficies barnizadas debe trabajarse
con series de imágenes, donde cada imagen presente la misma superficie, pero iluminada
desde una dirección distinta. En este proyecto, las series de imágenes se obtienen rotando
una fuente de luz puntual alrededor de la superficie inspeccionada y fotografiando después
ésta cada vez que la iluminación recorre un desplazamiento azimutal determinado. El método
exacto de obtención de las series de imágenes se explicó en el entregable 2.1 (Informe sobre
el banco de imágenes de defectos).
17
18. VAMAD
1. Marcha del proyecto
De las series de imágenes debe extraerse información relevante para la clarificación de
los defectos. Esta información recibe el nombre de características. Para que puedan aplicarse
al proyecto, estas características deben cumplir ciertas condiciones que aumentan la
complejidad del método. Entre estas condiciones se destaca el hecho de que deben ser
independientes de la textura del substrato. Esto es relevante cuando se trabaja con
acabados transparentes, los cuales dejan expuesta la textura del substrato o soporte. Este
requisito implica, por tanto, que la características extraídas deben experimentar ningún o
muy poco cambio cuando distintos tipos de substratos son utilizados. Además, los defectos
deben reconocerse correctamente sin que importe su tamaño, ubicación o rotación relativa.
La información relevante sobre los defectos está contenida en cada imagen de la serie;
es decir, tanto en la intensidad de cada punto en relación con su entorno bidimensional,
como también en su relación con su entorno tridimensional (esto es, en los cambios de
intensidad que se producen de una imagen de la serie a la otra). Debe definirse, por lo
tanto, una función núcleo capaz de recolectar esta información.
En el método propuesto, las invariantes se consiguen mediante un proceso mixto: la
invariancia frente a la rotación se obtiene por integración; y la invariancia frente a la
translación, mediante la construcción de histogramas de lógica difusa.
18
19. VAMAD
1. Marcha del proyecto
Para clasificar las características extraídas de las series de imágenes se utiliza un
support vector machine (SVM). Este clasificador es de aprendizaje asistido. Esto
significa que, durante la etapa de entrenamiento, un experto ofrece al clasificador una
lista de objetos que han sido clasificados previamente, a fin de que éste “aprenda” para
luego poder reconocer objetos similares. Durante la fase de entrenamiento el clasificador
asocia cada clase con las características extraídas de las imágenes y establece fronteras
entre las distintas clases en un espacio multidimensional.
Para el entrenamiento del SVM se utiliza una lista de series de imágenes llamada
lista de entrenamiento. La misma desempeña un papel decisivo en la determinación de
las fronteras entre clases que luego se utilizarán en la clasificación. Es importante que
esta lista cuente con un número adecuado de defectos representativos de cada clase, así
como de texturas de substrato.
Para probar el sistema se utiliza una lista de series de imágenes disjunta a la de
entrenamiento que recibe el nombre de lista de prueba. Los resultados de esta lista
sirven para ajustar tanto la lista de entrenamiento como la lista de funciones núcleo.
19
20. VAMAD
1. Marcha del proyecto
∆σ=180°.
Ejemplo de parámetros de la función núcleo: a=2, r2=2r1, α=45°, β=90° y ∆σ
20
21. VAMAD
1. Marcha del proyecto
Ejemplo de serie de
imágenes de la lista de
entrenamiento: grupos de
burbujas
21
22. VAMAD
1. Marcha del proyecto
Ejemplo de serie de
imágenes de la lista de
prueba: burbuja
22
23. VAMAD
1. Marcha del proyecto
Entregable 3.1. Informe sobre el prototipo de visión artificial de laboratorio
23
25. VAMAD
1. Marcha del proyecto
(izq) Característica que representa una grieta.
(derecha) Característica que representa una superficie sin defecto.
25
26. VAMAD
1. Marcha del proyecto
Detección de un defecto
26
27. VAMAD
1. Marcha del proyecto
Entregable 4.1. Informe sobre patentes de sistemas de visión artificial para la
detección de defectos en superficies
Este documento es una recopilación de documentos de patentes internacionales
donde se ha intentado plasmar todos aquellos desarrollos de productos, sistemas y
metodologías patentados relacionados con sistemas de visión artificial para detección de
defectos en superficies.
Con el estudio de esas patentes se pretende comprobar si algún sistema o
metodología patentado pudiera ser de interés, bien total o parcialmente, para la
implementación del prototipo industrial que se desarrollará a lo largo de la etapa 4.
El estudio se ha realizado sobre la base de datos Espacenet y en el quedan incluidos
aquellos documentos que se consideraron de interés desde el periodo de 1980 a 2008.
27
28. VAMAD
1. Marcha del proyecto
TÍTULO: Natural wood surface optically inspecting method for use in
production line, involves combining two set of local physical properties
extracted from grey-scale value images, and calculating surface quality
assessment from combined
NUMERO DE PATENTE: WO2008031621-A1
28
29. VAMAD
1. Marcha del proyecto
TÍTULO: Planar object`s e.g. magnetic thin film disk, property e.g. thickness,
and defect e.g. wear, measuring method for use in e.g. semiconductor
industry, involves determining roughness bias parameter from two surface
roughness data
NÚMERO DE PATENTE: US2007115483-A1
29
30. VAMAD
1. Marcha del proyecto
En resumen, ninguna de las 17 patentes analizadas, seleccionadas
previamente de entre 386 patentes obtenidas mediante búsquedas por
descriptores en Espacenet, resulta adecuada para el proyecto. Los principales
inconvenientes que presentan son los siguientes:
1. Incapacidad para separar los defectos de acabado de la propia textura
del substrato.
2. Incapacidad para obtener series de imágenes de una misma
superficie.
3. Incapacidad para inspeccionar toda la superficie de interés.
30
31. VAMAD
1. Marcha del proyecto
Entregable 4.2. Informe sobre los requisitos del sistema de visión artificial y
estudio de soluciones comerciales
Este informe expone los requisitos que debe cumplir el sistema de visión artificial que
se desarrollará en el proyecto, en cuanto a velocidad de línea y tamaños de las piezas
que inspeccionará.
Este informe también presenta un estudio en que se recopila información de
prototipos y sistemas industriales, basados en visión artificial, orientados a la inspección
superficial de diferentes materiales con objetivo de detectar la presencia de anomalías y
defectos característicos de cada material o producto del proceso de producción. A
diferencia del entregable anterior, aquí se presentan soluciones comerciales con cierta
aceptación en la industria.
La finalidad de tal recopilación de información es disponer de información de sistemas
de captura, iluminación, disposición entre ambos, resolución, velocidades de inspección y
campos de visión que permita a los participantes evaluar su posible aplicación al
proyecto.
31
32. VAMAD
1. Marcha del proyecto
Sistema de OCS evaluado para el proyecto.
32
33. VAMAD
1. Marcha del proyecto
Sistema de ISRA VISION (Surface Inspector) evaluado para el proyecto.
33
34. VAMAD
1. Marcha del proyecto
Los sistemas comerciales analizados cumplen o podrían cumplir los requisitos
industriales en cuanto a velocidad de línea y tamaño de las piezas, pero no permiten
detectar distintos defectos sin cambiar su configuración y no permiten
obtener series de imágenes de una misma superficie desde distintos ángulos
de iluminación. Por tanto, no son adecuados para el proyecto.
34