Visão Computacional
1.  Representação de 
     imagens
2.  Filtragem de imagens
3.  Detecção de Bordas
4.  Segmentação Simples
5.  Crescimento de Regiões
6.  Segmentação com
     Filtros
7.  Segmentação a Cores
8.  Análise de Texturas
9.  Análise de Texturas
     Multiescalar 
10. Redes Neurais
11. Morfologia Matemática
12. Convolução
13. Esqueletonização
14. Técnicas Estatísticas
15. Fractais
16. Reconhecimento de
      Formas
17. Representação de 
      Objetos
18. Quadtrees e Octrees
19. Visão Estereo
20. Inteligência Artificial
21. Controle de qualidade
22. Robótica
23. Medicina
24. Sensoriamento remoto
Prof. Aldo von Wangenheim 
Currículo...
Publicações
Pesquisa
Projetos
Ensino de Graduação
Ensino de Pós Graduação 
Cursos

Você lê?
Técnicas de Análise de Imagens para o Controle de Qualidade e Inspeção de Produtos Industriais

Apresentações

  1. Controle da Qualidade em Indústria Madeireira - Uma Introdução

    2. Apresentação de Cláudia Dell'Agnolo, 2001
     
  2. Medição de Bobina de Papel Utilizando Visão Computacional

    3. Apresentação de Alex Moretti, 2001
Material Geral

Nesta parte da disciplina serão vistas algumas técnicas para o controle automática da qualidade. Isto é realizado através da Inspeção Visual de Produtos por Computador. Esta é uma disciplina da Visão Computacional que se ocupa de métodos computacionais para a detecção de características específicas em produtos gerados em uma linha de produção. O processo de inspeção visual manual de peças ou de matéria prima, além de ser um processo monótono e sujeito a erros após certo tempo, é um processo que encarece o produto em função da demanda de mão de obra que gera. Para otimizar este aspecto do processo de produção são utilizados métodos de inspeção visual por computador.

Os métodos de Visão Computacional aqui utilizados devem satisfazer dois requisitos muito importantes:

  • Devem ser rápidos. Uma linha de produção não pode se dar ao luxo utilizar métodos complexos para análise de imagens sob pena de comprometer a eficiência do processo de produção. Uma solução de Visão Computacional para o Controle da Qualidade Industrial deve tipicamente ser tão ou mais rápida quanto um inspetor humano realizando esta mesma tarefa.
  • Devem apresentar alta confiabilidade. Como o objetivo dos métodos de inspeção visual para controle de qualidade é o de garantir a qualidade dos produtos produzidos, detectando produtos com falhas de produção, estes métodos devem ser extremamente confiáveis e não devem introduzir mais incertezas no processo de produção. Métodos de análise de imagens muito instáveis e que produzem resultados muito variáveis não podem ser aplicados aqui. Uma solução de Visão Computacional para o Controle da Qualidade Industrial deve tipicamente ser tão ou mais confíavel quanto um inspetor humano realizando esta mesma tarefa.
Estes requisitos parecem tornar o processo de desenvolvimento de metodologias de Visão Computacional para a Inspeção Visual Automática uma tarefa extremamente difícil. O contrário, no entanto, é o caso. As tarefas a serem automatizadas em um ambiente de controle da qualidade geralmente são tarefas extremamente esterotipadas, com variações mínimas, e que facilitam o processo de desenvolvimento. Podemos citar as seguintes características principais deste tipo de aplicação:
  • Simplicidade e Boa Definição da Tarefa. As tarefas de análise de imagens em controle de qualidade são geralmente tarefas simples e sem muitas var'ações, que estão bem definidas, como por exemplo: encontrar uma rachadura em um bloco de cerâmica (procura por linha com determinadas características), encontrar falhas no tingimento de rolos de linha industrial (procura por variações anômalas de cor) , encontrar falhas em tecelagem (procura por variações anômalas de textura) ou encontrar  falhas em matéria prima (variações de coloração, forma ou tamanho de objetos). Esta simplicidade permite que se utilize operações de análise de imagens bem conhecidas.
  • Ambiente de aquisição de dados controlado. Ao contrário de aplicações como o reconhecimento de faces ou cenas de trânsito, onde as condições de iluminação e contexto de uma situação em particular podem variar muito, no controle de qualidade temos geralmente uma situação onde a aquisição de dados é realizada sob condições controladas e bem conhecidas, como por exemplo uma luz ultravioleta de intesidade e direção bem definidas, uma luz branca difusa de intensidade conhecida, etc. Nestas aplicações, as condições de aquisição controladas das imagens permitem supor, ao se desenvolver a aplicação, que as imagens vão estar sempre dentro de um conjunto de parâmetros bem definidos e previsíveis. Isto facilita o design de uma aplicação e favorece a sua robustez.
Um Exemplo de Aplicação Simples; Controle de Qualidade em madeiras de Pinho

Um problema comum na seleção de madeiras de pinho é a existência de nós. A existência ou não de nós visíveis na madeira faz com que tábuas sejam classificadas em diferentes categorias de qualidade. Abaixo podemos ver compo uma solução bastante simples utilizando uma limiarização baseada em histograma detecta nós em madeiras de pinho.


Imagem 1.1: Tábua com nós.


Imagem 1.2:  Mesma tábua em P&B.

Imagem 1.3: Histograma da imagem 1.2. Supomos que nós são ocorrências raras e mais escuras. Assim utilizamos geramos um histograma da imagem e o percorremos a partir dos pixels de menor valor e vemos onde começa a maioria dos valores da imagem. Supomos que os valores escuros encontrados em menor quantidade representam falhas. Desta forma definimos um limiar em pixels de valor = 110 (para uma faixa de 0 a 255).


Figura 1.4: Imagem 1.2 limiarizada em 110. Os pontos escuros resaltados são os nós. Agora tudo o que temos de fazer é utilizar um algoritmo simples para encontrar agrupamentos redondos e escuros na imagem e resolvemos o problema de forma bastante simples.

Abaixo podemos ver mais um exemplo, onde a limiarização produziu um valor levemente diferente:





 
 
 
 
 
Contato:
Tel.: +55-48-331 7552/9498
FAX: +55-48-331-9770
awangenh@inf.ufsc.br